分析DP-GEN任务

加载环境

首先，导入环境：

from catflow.tesla.dpgen import DPTask

加载DP-GEN工作目录：

t = DPTask(
    path='/path/to/dpgen/', 
    param_file='param.json', 
    machine_file='machine.json',
    record_file='record.dpgen'
)

便可根据所需分析的部分，对训练情况进行分析。

训练（Training）

导入分析器（DPAnalyzer），这里我们选择训练，即：

from catflow.tesla.dpgen.training import DPTrainingAnalyzer

从任务初始化分析器实例：

ana = DPTrainingAnalyzer(t)

即可利用ana的内置函数进行作图：

fig = ana.plot_lcurve(
    iteration=28, test=False, style='ticks', context='talk'
)
fig.set_size_inches((12,12))

探索（Exploration）

类似地，我们也可以对模型的model deviation分布进行分析：

from catflow.tesla.dpgen.exploration import DPExplorationAnalyzer
ana = DPExplorationAnalyzer(t)

利用分析器自带的方法进行作图：

fig = ana.plot_single_iteration(
    iteration=41, 
    temps=[400, 600, 800, 1000, 1200],
    xlimit=1000000,
    f_trust_lo=t.param_data['model_devi_f_trust_lo'],
    f_trust_hi=t.param_data['model_devi_f_trust_hi'],
    style='ticks',
    group_by='temps',
    label_unit='K',
    context='talk'
)

其中：

• iteration 对应为所需分析的轮数，默认为最新进行过Exploartion的轮数。

• f_trust_lo和f_trust_hi即对应的最大力偏差上下限设置。

• 通过 group_by 指定所需作图的参数，对应到 param.json 中 model_devi_jobs 中该轮数需要迭代的List，例如：

  {
      "template": {
          "lmp": "lmp/input-meta.lammps",
          "plm": "lmp/input-meta.plumed"
      },
      "sys_idx": [
          53
      ],
      "traj_freq": 1000,
      "rev_mat": {
          "lmp": {
              "V_NSTEPS": [
                  1000000
              ],
              "V_TEMP": [
                  400,
                  600,
                  800,
                  1000,
                  1200
              ]
          }
      },
      "model_devi_f_trust_lo": 0.23,
      "model_devi_f_trust_hi": 0.75
  }

若指定group_by 参数为 V_TEMP，则根据该轮的热浴温度分组作图，若指定V_TEMP=[400, 600, 800, 1000, 1200]，则可由400、600、800、1000、1200K分别对model deviation作图。

• label_unit 即 group_by 参数的单位，例如这里是温度，故为"K"。

效果如下：