企业官网建设流程全解析

1. 项目概述：当莫尔物理遇上机器学习力场

在凝聚态物理和计算材料科学的前沿，莫尔（Moiré）超晶格系统正以其丰富而奇特的物理现象吸引着全球研究者的目光。通过简单地扭转两层二维材料（如石墨烯或过渡金属硫族化合物）之间的角度，或者堆叠两种具有微小晶格失配的材料，就能“凭空”创造出全新的量子材料平台。在这个平台上，我们观测到了诸如非常规超导、莫特绝缘态、量子反常霍尔效应等一系列在传统材料中难以企及的现象。然而，要深入理解这些现象背后的物理机制，一个无法绕开的基石便是精确的结构弛豫计算。

为什么结构弛豫如此关键？想象一下，当你扭转两张透明网格时，那些明暗相间的波纹（莫尔图案）不仅视觉上复杂，其对应的原子排布也发生了微妙的扭曲和重构。这种原子尺度的晶格弛豫会显著改变材料的电子能带结构，尤其是当莫尔超晶格导致能带变得极窄（仅几个meV量级）时，微小的原子位移就足以引发电子性质的剧变。传统上，我们依赖密度泛函理论（DFT）来进行这种高精度的第一性原理弛豫计算。但问题在于，DFT的计算成本随原子数呈三次方增长。对于一个典型的小角度莫尔超晶格，其原胞可能包含成千上万个原子，进行一次完整的DFT弛豫所需的计算资源是天文数字，甚至是不现实的。

这就引出了本文的核心：机器学习力场（MLFF）。MLFF的目标是“师从”DFT，通过机器学习模型从有限的DFT计算数据中学习原子间的相互作用势能面。一旦训练完成，MLFF在预测新结构能量和原子受力时，其计算成本仅与原子数呈线性关系。这就像一位技艺高超的学徒，在掌握了大师（DFT）的精髓后，能以极高的效率完成类似的工作。然而，通用型的MLFF模型在应对莫尔系统时遇到了瓶颈：莫尔体系中我们关心的能量尺度常常在meV级别，这与许多通用MLFF模型的精度极限处于同一量级。用一把刻度为厘米的尺子去测量毫米级的细微变化，其结果自然不可靠。

因此，为莫尔系统“量身定制”高精度的MLFF成为了一个迫切的需求。这正是开源工具DPmoire所要解决的核心问题。它不是另一个通用的MLFF训练框架，而是一套专门针对莫尔超晶格特点设计的、自动化的专用MLFF构建流程。DPmoire巧妙地利用非扭转的简单双层结构来构建训练数据集，并整合了VASP的on-the-fly MLFF模块进行高效数据生成，最终训练出能够精准捕捉莫尔体系微妙原子弛豫的专用力场。对于从事二维材料、莫尔物理、计算材料模拟的研究者而言，掌握这样一套工具，意味着你能够以可承受的计算成本，去探索那些之前因体系过大而无法触及的物理问题，例如更小扭转角度下的弛豫效应、复杂莫尔结构的声子谱计算等。接下来，我将深入拆解DPmoire的设计思路、实操细节以及我在使用过程中积累的经验和避坑指南。

2. DPmoire的核心设计思路与原理拆解

要理解DPmoire为何有效，我们需要先回到莫尔超晶格的本质。一个莫尔结构可以看作是由两个晶格常数相近或相同的二维层，以一个小夹角扭转或直接堆叠而成。当扭转角非常小时，莫尔超晶格的周期变得极大，但其局域的原子排布，却与零扭转角（即非扭转）时双层材料中各种可能的堆叠构型（如AA、AB、MX、XM等）高度相似。

2.1 从“局部相似性”到数据构建策略

这是一个关键洞察。DPmoire方法论的核心前提是：一个复杂大体系（小角度莫尔）的势能面，可以由其基本组成单元（各种非扭转堆叠构型）的势能面来近似描述。基于此，DPmoire的整个数据构建策略变得清晰且高效：

1. 放弃直接对小角度莫尔结构进行昂贵采样：直接对包含数千原子的小角度莫尔超晶格做从头算分子动力学（AIMD）来采集训练数据，在计算上是灾难性的。
2. 转向对简单单元进行充分采样：我们转而构建一个2x2的超胞（原子数可控），通过系统地在面内平移其中一层，来枚举所有可能的堆叠构型（AA, AB, MX, XM等）。对每一种构型，我们进行DFT弛豫计算。这个过程中，需要固定每层中一个参考原子的XY坐标，并保持晶格常数不变，以防止结构弛豫到能量最低的单一堆叠模式，从而丢失其他构型的信息。
3. 利用On-the-fly MLFF扩大构型空间：仅靠静态弛豫得到的数据点对于训练一个稳健的力场来说可能还不够“丰富”。DPmoire进一步引入了VASP内置的MLFF模块，在之前弛豫得到的结构基础上，施加前述约束并进行分子动力学（MD）模拟。VASP MLFF模块的巧妙之处在于其“在线学习”能力：在MD过程中，它利用贝叶斯线性回归实时估计自身预测的不确定性。当不确定性低时，直接使用MLFF的预测推进模拟；当不确定性高时，则触发一次DFT计算，并将该精确数据加入训练集，更新模型。如此循环，可以用相对较少的DFT计算步数，探索到非常广泛的原子构型空间，高效地构建出高质量数据集。

这个策略的精妙之处在于，它将一个“大海捞针”（在大体系中寻找代表性构型）的问题，转化为了“池塘捕鱼”（在小体系中系统采样）的问题，极大地降低了数据制备的成本和难度。

2.2 测试集的构建与模型泛化能力保障

一个只在训练集上表现良好的模型可能是过拟合的。为了确保我们训练的MLFF能够真正推广到目标体系——扭转的莫尔结构，DPmoire专门设计了测试集的构建方法。

测试集并非从训练数据中随机划分，而是专门用较大扭转角（如7.34°、9.34°）的莫尔结构经过DFT弛豫后得到的数据构成。这样做有两个目的：第一，大角度莫尔结构的原胞尺寸相对较小，进行DFT弛豫计算尚可承受；第二，更重要的是，这些扭转结构的原子环境与训练所用的非扭转结构存在差异，用它们来测试，可以严格检验MLFF模型对于真实目标任务的泛化能力，防止模型仅仅记住了非扭转构型而无法处理扭转引入的复杂变形。

2.3 软件架构与工作流

DPmoire作为一个自动化工具，其代码结构清晰地反映了上述工作流，主要分为四个模块，形成了一个完整的管道：

• DPmoire.preprocess：预处理模块。用户提供单层的晶胞结构文件（如POSCAR）和DFT计算模板（INCAR），该模块会自动构建双层非扭转超胞、生成一系列面内平移的堆叠构型、以及构建用于测试的大角度扭转结构。它负责准备好所有VASP计算所需的输入文件。
• DPmoire.dft：计算任务提交模块。该模块负责将通过preprocess生成的大量DFT计算任务，利用Slurm等作业管理系统提交到超算集群上执行。
• DPmoire.data：数据收集与格式化模块。在所有DFT计算完成后，此模块会从输出文件（如OUTCAR,ML_ABN）中提取能量、力和应力等关键信息，并将其整理、合并成标准的extxyz格式文件，分为训练集（data.extxyz）和测试集（valid.extxyz）。这种格式是Allegro、NequIP等主流MLFF训练框架可直接读取的。
• DPmoire.train：训练模块。该模块根据用户提供的配置文件模板，配置并提交MLFF模型的训练任务。DPmoire默认支持并推荐使用Allegro——一种基于E(3)-等变图神经网络的先进力场模型。Allegro因其在保持高精度的同时，对大规模体系的计算效率和并行化支持非常友好而备受青睐。当然，生成的通用extxyz数据集也可以用于训练如DeepMD、NequIP等其他模型。

这套流程将原本繁琐、容易出错的手工步骤——结构建模、任务提交、数据提取、格式转换、模型训练——全部自动化，让研究者能够专注于科学问题本身，而非计算工程细节。

3. 实操要点：从环境配置到成功运行

理论很美好，但把工具用起来才是关键。下面我将结合自己的使用经验，详细说明部署和运行DPmoire的完整步骤及核心注意事项。

3.1 基础环境搭建与依赖安装

DPmoire的运行依赖于一个相对完整的计算化学软件生态。你需要提前准备好以下环境：

1. Python环境：建议使用conda创建一个独立的环境。DPmoire本身是一个Python包，但其主要功能是流程编排，核心计算依赖于其他软件。

   conda create -n dpmoire python=3.9 conda activate dpmoire pip install dpmoire # 从PyPI安装，或从GitHub源码安装

2. 第一性原理计算软件：VASP是必须的。DPmoire利用VASP进行DFT计算和其内置的on-the-fly MLFF数据生成。你需要确保在计算节点上可以调用VASP（通常由超算中心提供已编译好的版本）。特别注意，要使用VASP的MLFF功能，你需要有相应的许可证并编译了MLFF模块。

3. 机器学习力场训练框架：Allegro是DPmoire默认和推荐的训练后端。你需要单独安装Allegro。

   pip install allegro-ml

   同时，确保你的环境中有PyTorch等深度学习库。如果打算用NequIP，也需要相应安装。

4. 作业管理系统：DPmoire的dft模块默认通过Slurm提交任务。你需要确保在运行节点上sbatch,squeue等命令可用，并且DPmoire能正确识别到集群的排队系统。对于其他作业系统（如PBS），可能需要稍微修改dft模块的提交脚本。

注意：环境配置是第一步，也是最容易出错的一步。一个常见的坑是Python环境与VASP的兼容性问题。确保你的conda环境没有引入与系统科学计算库（如Intel MKL）冲突的版本。最稳妥的方式是在超算上使用模块（module）加载系统提供的优化版Python和编译器，再在其上创建虚拟环境。

3.2 输入文件准备详解

运行DPmoire前，你需要准备一个清晰的工作目录和几个关键的输入文件。以下是一个典型目录结构：

moire_project/ ├── input/ │ ├── top.POSCAR # 顶层材料的晶胞文件 │ ├── bot.POSCAR # 底层材料的晶胞文件（对于同质双层，两者相同） │ └── INCAR.template # VASP计算的参数模板 ├── config.yaml # DPmoire的主配置文件 └── train_config.yaml # Allegro模型的训练配置模板

关键文件配置解析：

1. POSCAR文件：这是晶体结构信息文件。你需要为顶层和底层分别准备。对于像MoS2这样的材料，POSCAR应包含一个单层（例如1T相）的晶胞原子坐标。坐标的分数坐标表示要准确，这直接影响后续堆叠的构建。

2. INCAR.template文件：这是VASP计算的核心参数模板。DPmoire会基于此模板为每个具体计算任务生成最终的INCAR。对于莫尔体系，有几点至关重要：

   • 范德华（vdW）修正：层间相互作用主导了莫尔结构的弛豫行为，因此必须选择正确的vdW修正方法。DPmoire原文附录A用了大量篇幅对比不同方法。例如，对于MoS2和WSe2，Grimme的DFT-D3（零阻尼，IVDW=11）效果较好；对于MoSe2和WS2，vdW-DF-cx方法更优。你需要在模板中设置正确的IVDW或GGA标签。
   • 精度控制：ENCUT（截断能）、EDIFF（电子步收敛标准）、EDIFFG（离子步收敛标准）需要设置得比常规体相计算更严格一些，因为我们在处理微弱的层间相互作用和弛豫。
   • MLFF相关参数：当使用VASP MLFF模块进行数据生成时，需要在INCAR中激活ML_LMLFF=.TRUE.，并设置相关参数，如ML_ISTART=0（开始新的训练），ML_IALGO_LMLFF=1（使用在线学习模式）等。这部分参数需要仔细阅读VASP手册。

3. config.yaml文件：这是DPmoire的流程控制文件。你需要指定：

   • layer_top/bot_file: 顶层/底层POSCAR路径。
   • incar_template:INCAR模板路径。
   • supercell_size: 构建非扭转训练结构时的超胞大小，默认为[2,2,1]。
   • shift_grid: 面内平移采样的网格密度，例如[5,5]表示在a和b方向各取5个点，共生成25种堆叠构型。
   • twist_angles: 用于构建测试集的大扭转角度列表，如[7.34, 9.43]。
   • dft_cmd: 在计算节点上运行VASP的命令，如“srun vasp_std”。
   • slurm_partition: 提交作业的Slurm分区。

3.3 分步执行与监控

配置妥当后，执行流程是线性的，但每一步都需要关注其输出。

步骤一：预处理

dpmoire-preprocess -c config.yaml

执行后，会在当前目录生成一系列以任务ID命名的文件夹（如calc_001,calc_002），每个文件夹内包含了该特定堆叠构型或扭转结构的VASP输入文件（POSCAR,INCAR,KPOINTS,POTCAR）。检查生成的POSCAR，确认堆叠方式是否符合预期，原子数量是否正确。

步骤二：提交DFT计算

dpmoire-dft -c config.yaml

此命令会遍历所有计算文件夹，并向Slurm提交作业。务必使用sqeue命令监控作业状态。由于任务量可能很大（几十甚至上百个），建议先用小网格（如[2,2]）和单个扭转角试运行，确保整个流程无误后再进行大规模计算。计算可能耗时数天，取决于任务数量和资源。

步骤三：收集数据

dpmoire-data -c config.yaml

在所有DFT作业成功完成后运行。此模块会读取所有计算结果，提取数据并生成data.extxyz（训练集）和valid.extxyz（测试集）。这是关键检查点：打开生成的.extxyz文件，查看数据量是否完整，能量和力的数值范围是否合理（例如，力通常在eV/Å量级，异常大的力可能预示计算未收敛或出错）。

步骤四：训练MLFF模型

dpmoire-train -c config.yaml -t train_config.yaml

这是最耗资源的步骤，通常需要在GPU节点上进行。train_config.yaml是Allegro模型的配置文件，你需要根据体系大小和精度要求设置模型参数，如：

• num_layers（交互层数）
• max_epochs（训练轮数）
• learning_rate（学习率）
• batch_size（批大小）

训练过程中要密切关注损失函数（loss）在训练集和测试集上的下降情况。一个健康的训练过程应该是训练损失和测试损失同步下降，并在后期趋于平稳。如果测试损失很早就开始上升，而训练损失持续下降，则是过拟合的典型标志，需要调整模型复杂度或增加数据。

3.4 模型验证与应用

训练完成后，你会得到模型文件（如best_model.pth）。DPmoire本身不直接进行弛豫计算，但生成的模型可以无缝接入两个主流的分子动力学/结构优化软件：

1. 与ASE（Atomic Simulation Environment）结合：ASE是一个强大的Python原子模���库。你可以加载训练好的Allegro模型，并利用其内置的优化器（如BFGS）对莫尔结构进行弛豫。

   from ase import Atoms from ase.io import read, write from ase.optimize import BFGS # 假设有加载Allegro模型的接口（需根据Allegro的API调整） # calculator = AllegroCalculator(model='best_model.pth') # atoms = read('twisted_structure.POSCAR') # atoms.set_calculator(calculator) # dyn = BFGS(atoms) # dyn.run(fmax=0.01) # 运行弛豫直到最大力小于0.01 eV/Å

2. 与LAMMPS结合：Allegro提供了LAMMPS的接口（lib/allegro）。你需要编译支持此接口的LAMMPS版本。之后，可以在LAMMPS的in文件中通过pair_style allegro命令调用模型进行大规模的MD或弛豫模拟，这对于处理超大体系尤其有用。

验证环节必不可少：不要直接相信训练日志。你应该用训练好的模型去弛豫一个新的、不在训练集和测试集中的莫尔结构（例如一个更小的扭转角），然后将结果与DFT弛豫（如果计算资源允许）或已知的物理规律（如原子在AA区向上、在MX/XM区向下位移的趋势）进行对比。同时，计算弛豫后结构的电子能带，与DFT结果对比，这是检验MLFF是否“学到”了关键物理作用的终极试金石。

4. 关键参数选择与性能优化经验

在实际操作中，参数的选择直接影响到数据质量、模型精度和计算效率。以下是我从多次实践中总结出的经验。

4.1 范德华修正的选择：精度基石

vdW修正的选择是DFT计算部分最关键的决策，它从根本上决定了训练数据的“真值”质量。DPmoire的论文附录A提供了详尽的对比表格，这是一个极好的起点，但并非金科玉律。

• 参考但不盲从：论文给出的推荐（如MoS2用DFT-D3，MoSe2用vdW-DF-cx）是基于其采用的特定赝势和计算设置。如果你使用的赝势库（如PAW-PBE）版本不同，最佳方法可能略有差异。
• 执行你自己的基准测试：在开始大规模数据生成前，务必对你所研究的材料进行一个快速的基准测试。方法如下：
  1. 使用不同的vdW修正方法（IVDW=10, 11, 12, 20, 4以及GGA=RE,LUSE_VDW=.TRUE.等对应不同泛函）对材料的体相（bulk）或自由单层进行几何优化。
  2. 比较优化后的晶格常数（a, b, c）与实验值（可从ICSD数据库查找）的吻合程度。
  3. 对于层状材料，c轴晶格常数（即层间距）对vdW修正尤为敏感，是判断的关键指标。选择那个能最准确预测层间距的方法。
• 一致性原则：一旦选定了一种vdW修正方法，在整个DPmoire流程的所有DFT计算（包括训练数据生成和测试集生成）中都必须严格一致。混用不同修正方法得到的数据训练模型，会导致模型学习到矛盾的物理规律。

4.2 训练数据生成的策略：质量与效率的平衡

shift_grid（平移网格）和分子动力学（MD）采样是构建训练集的两个主要手段。

• shift_grid的密度：网格越密（如[7,7]），采样的堆叠构型越精细，能更完整地覆盖势能面，但计算量呈平方增长。对于像TMDs这样层间势能面变化较平滑的材料，[5,5]通常是一个不错的起点。可以先试算[3,3]，观察不同堆叠构型的能量差异，如果变化剧烈，则需要更密的网格。
• MD采样的作用：静态弛豫只提供了势能面上的极小点（或鞍点）信息。MD模拟，特别是在一定温度下（如300K），可以让原子在平衡位置附近振动，采样到更多的非平衡构型，这对于训练一个能够准确预测“力”的模型至关重要。VASP MLFF模块中的TEBEG（起始温度）参数可以控制MD的初始动能。
• MD的步数与约束：MD模拟的步数需要足够长以使系统充分采样构型空间，但也要考虑成本。通常，在固定了层间相对位移后，运行数万步MD是常见的。切记：在MD过程中，必须保持与弛豫阶段相同的约束（固定参考原子XY坐标和晶格常数），否则系统会弛豫到全局能量最低点，破坏我们精心设计的多样化堆叠采样。

4.3 MLFF模型训练的超参数调优

使用Allegro训练时，配置文件中的超参数需要根据体系大小和数据集规模进行调整。

• 模型容量（num_layers,max_neighbors,node_feature_dim）：对于原子种类少但结构复杂的莫尔体系（如只有Mo和S两种原子，但原子数多），模型需要有足够的容量来捕捉长程的莫尔调制效应。可以适当增加num_layers（交互块层数）来增加感受野，但也会增加计算量和过拟合风险。一个实用的策略是从一个中等规模的模型开始（如Allegro的默认配置），如果训练集损失容易收敛但测试集损失很高，可能是欠拟合，可增大模型；如果训练集损失远低于测试集，则是过拟合，需减小模型或增加数据/使用正则化。
• 训练轮次（max_epochs）与学习率调度：使用验证集（validation set）来早停（early stopping）是防止过拟合的有效方法。不要一味追求训练轮次多。学习率通常采用带热重启的余弦退火（CosineAnnealingWarmRestarts）策略，这有助于模型跳出局部极小值。
• 批量大小（batch_size）：在GPU内存允许的范围内，使用较大的批量大小通常能使训练更稳定，收敛更快。但对于包含大量小结构（每个结构原子数少）的数据集，可能需要调整。

实操心得：训练一个高质量的MLFF更像一门艺术而非纯技术。建议采用“迭代开发”模式：先用一个较小的数据集（稀疏网格、短MD）和默认模型参数快速训练一个原型，验证流程；然后分析原型在测试集上的误差分布，针对误差大的区域（例如某种特定堆叠附近）增加采样密度；最后再用完整数据集和微调后的超参数进行最终训练。这样比一次性投入全部资源盲目训练更高效。

5. 常见问题排查与实战技巧

即使按照指南操作，在实际运行中仍会遇到各种问题。这里汇总了一些典型故障及其解决方法。

5.1 DFT计算失败或异常

• 问题：dpmoire-dft提交作业后，大量作业失败（VASP报错或未完成）。
• 排查：
  1. 检查单个任务：进入一个失败的任务目录，查看OUTCAR文件末尾的报错信息。常见原因有：
     • 内存不足：莫尔超胞原子数多，需要增加NCORE或KPAR并行设置，或申请更多内存节点。
     • 收敛困难：特别是对于某些金属性较强的堆叠构型，电子自洽迭代不收敛。尝试在INCAR中调整ALGO（如改用All或Normal），或添加AMIX,BMIX参数，或使用LDIAG=.TRUE.。
     • 范德华参数冲突：确保INCAR中关于vdW的设置是自洽且与所选赝势兼容的。
  2. 检查输入文件：确认POTCAR文件包含了所有涉及元素的赝势，且顺序与POSCAR中的元素顺序一致。这是VASP计算中最常见的错误之一。
  3. 检查作业脚本：dpmoire-dft生成的提交脚本可能包含特定的模块加载命令或路径，需要适配你的超算环境。你可能需要修改DPmoire源码中关于作业提交的部分。

5.2 训练数据集（extxyz）为空或数据异常

• 问题：dpmoire-data执行后，生成的data.extxyz文件很小或为空，或者其中的能量/力值为NaN。
• 排查：
  1. 确认DFT计算全部成功完成：dpmoire-data只会读取那些有正常结束标志（如OUTCAR中包含“General timing and accounting informations for this job”）的目录。
  2. 检查数据提取路径：确认dpmoire-data模块正确指向了VASP输出文件的位置。有时输出文��可能被命名为OUTCAR.gz（压缩格式），需要代码支持解压读取。
  3. 检查能量和力的单位与量级：用文本编辑器或Python脚本快速浏览extxyz文件。力的典型值应在-1到1eV/Å之间。如果出现极大的值（如1e10），很可能是在DFT计算中某些原子位置过于接近导致计算发散。需要检查初始结构是否合理。

5.3 MLFF训练不收敛或精度差

• 问题：训练过程中损失函数居高不下，或者震荡剧烈；或者训练完成后，模型在测试集上预测的力与DFT结果偏差很大（RMSE > 0.05 eV/Å）。
• 排查：
  1. 数据质量检查：这是最常见的原因。用脚本计算训练集中力的分布直方图，检查是否存在异常值（outliers）。异常值可能来自未收敛的DFT计算，会严重干扰模型训练。可以考虑过滤掉力大于某个阈值的数据点。
  2. 数据集划分问题：确保测试集（大角度莫尔结构）与训练集（非扭转结构）没有数据泄露。同时，检查训练集内部是否覆盖了足够的构型多样性。可视化一下训练集中不同堆叠构型的能量分布，看看是否有明显的空白区域。
  3. 模型复杂度与数据量匹配：如果数据量很少（例如只有几十个构型），却使用了一个非常复杂的模型（多层、高维度），极易导致过拟合。此时应简化模型，或通过增加MD采样步数、加密shift_grid来扩充数据。
  4. 学习率问题：过高的学习率会导致损失震荡，过低则收敛缓慢。使用学习率预热（warm-up）和衰减策略通常是必要的。
  5. 数值精度：确保DFT计算和MLFF训练使用相同的单位制和原子质量。Allegro等框架通常使用“金属单位制”（eV, Å）。

5.4 使用训练好的模型进行弛豫时结构失真

• 问题：用训练好的MLFF模型去弛豫一个全新的小角度莫尔结构，结果原子飞散或结构发生不合理的巨大形变。
• 排查：
  1. 模型泛化能力不足：这是最可能的原因。模型在训练集（非扭转）上表现良好，但无法外推到它从未见过的、应变模式更复杂的极小角度扭转结构。解决方案：在训练集中引入一些“中间状态”。例如，除了零扭转，还可以在构建训练集时，引入几个中等角度（如3°-5°）的扭转结构进行DFT弛豫，并将这些数据加入训练集。这能显著提升模型对扭转形变的捕捉能力。
  2. 弛豫算法和参数：在ASE或LAMMPS中进行弛豫时，优化器的选择（如FIRE比最速下降法更稳定）和收敛阈值（fmax）的设置很重要。对于初始受力可能较大的结构，先用一个较松的阈值（如fmax=0.1）进行预弛豫，再用紧的阈值（如fmax=0.01）进行精弛豫，可以提高成功率。
  3. 模型推理稳定性：检查在弛豫过程中，模型预测的力是否出现突变或NaN。这可能是模型在输入构型超出其训练数据分布时的不稳定表现。可以考虑在模型推理时加入简单的数值截断。

最后，一个非常重要的建议是：建立你的基准测试案例。选择一种材料（如AA堆叠的WSe2），用一个公开的、DFT弛豫结果已知的莫尔结构（例如某个特定角度）作为你的“金标准”。用DPmoire流程为该材料训练一个MLFF，然后去弛豫这个测试结构，将得到的原子位置、层间距离、甚至电子能带与“金标准”进行定量比较。这个案例将成为你评估整个DPmoire流程在你本地环境和工作流中是否可靠的关键。通过不断迭代和调试这个基准案例，你不仅能熟练掌握工具，更能深刻理解影响MLFF精度的各个因素，从而更有信心地将其应用于全新的未知材料体系探索中。