reann
REANN 势能面训练技能,基于递归原子神经网络拟合势能面。适用于:机器学习力场训练、势能面拟合、分子动力学前置模型训练与包含 REANN 标准训练包的数据任务。
SKILL.mdskills/reann/SKILL.md
GitHubREANN 势能面训练
基于递归神经网络(Recurrent Atomic Neural Network)的机器学习势能面框架,通过原子邻域密度函数描述符捕捉多体相互作用,满足平移、旋转和置换不变性,端到端拟合势能面(能量、原子力、应力张量),可直接驱动分子动力学模拟。
用户提供包含训练数据集、超参数和预训练权重的完整训练包,工作站自动完成文件部署并启动训练。
与 schnet 的区别:SchNet 学习分子量子化学性质(HOMO/LUMO 等),输入为 PyG 格式数据集;REANN 拟合势能面用于 MD 模拟,输入为 REANN 标准训练包(含 configuration 文件和 .pth 权重)。
触发条件
- 用户提到 REANN、势能面训练、机器学习力场
- 用户需要训练 ML 势能面用于分子动力学
- 用户提供了含
data/、para/、REANN.pth的训练包 - 关键词:原子神经网络、递归神经网络势能、ML-MD、REANN.pth
Input Schema
inputs:
- name: inputfile
type: file
required: true
description: >
REANN 势能面训练完整包(zip),解压后须包含以下文件(均为必须):
【目录结构】
<任意根目录>/
├── data/
│ ├── train/configuration # 训练集
│ └── test/configuration # 测试集
├── para/
│ ├── input_nn # 神经网络超参数
│ └── input_density # 描述符参数
├── REANN.pth # 必须!预训练权重,缺失则静默崩溃
├── REANN_PES_DOUBLE.pt
├── REANN_PES_FLOAT.pt
├── REANN_LAMMPS_DOUBLE.pt
└── REANN_LAMMPS_FLOAT.pt
【configuration 文件格式】每个构型块:
point= <构型序号>
<晶格向量 a: ax ay az>
<晶格向量 b: bx by bz>
<晶格向量 c: cx cy cz>
pbc 1 1 1
<元素> <质量> <x> <y> <z> <fx> <fy> <fz> # 每行一个原子,含受力
...(多个构型连续拼接)
【para/input_nn 关键字段】(字段名区分大小写)
nl = [64, 64] # 隐藏层节点数(列表)
nblock = 3 # ResNet block 数
Epoch = 1000000
batchsize_train = 32
batchsize_test = 32
start_lr = 0.001
end_lr = 1e-6
atomtype = ['Li','Y','Cl'] # 与数据集中的元素一致
DDP_backend = 'hccl' # 华为 NPU 用 hccl,CPU/GPU 用 gloo/nccl
floder = "./data/"
【para/input_density 关键字段】
cutoff = 5.5e0 # 截断半径(Å)
nwave = 8 # 波函数基数
nipsin = 2
atomtype = ['Li','Y','Cl'] # 与 input_nn 保持一致
neigh_atoms = 300
⚠️ 常见错误:
- REANN.pth 缺失 → 程序打印 banner 后静默退出,nn.err 无错误信息
- 字段名拼写错误(如 Rc/Nwave/Nlayer)→ 同上,静默崩溃
- atomtype 与 configuration 中元素不匹配 → 训练报错
Output Schema
outputs:
- name: result_zip
type: file
description: 训练完成的 REANN 结果 zip,含更新后的模型权重和训练日志
Dependencies
dependencies:
python: ">=3.10"
packages: []
external_tools:
- REANN 工作站(http://114.214.211.25:30082,model: reann2.0)
upstream_skills:
- mace-sim # 可选:先用 MACE 做快速预筛,再用 REANN 精细训练
- vasp-dft # 常见上游:VASP 生成 ab initio 训练数据
基础设施
使用调度平台(30082 端口,/api/jobs/tpl 路由):
- 上传训练包:
POST http://114.214.211.25:30082/api/file/upload - 提交任务:
POST http://114.214.211.25:30082/api/jobs/tpl,model: "reann2.0",taskId为 UUID - 轮询状态:
GET http://114.214.211.25:30082/api/jobs?id=<data.id> - 下载结果:
GET http://114.214.211.25:30082/api/tasks/download?taskId=<taskId>
注意:
data.id(整数)用于轮询,提交时自定的taskId(UUID)用于下载,两者不同。
调用流程
第一步:上传训练包
FILE_URL=$(curl -s -X POST http://114.214.211.25:30082/api/file/upload \
-F "file=@reann_training.zip" | python3 -c "import sys,json; print(json.load(sys.stdin)['data'])")
第二步:提交任务
TASK_UUID=$(python3 -c "import uuid; print(str(uuid.uuid4()))")
curl -X POST 'http://114.214.211.25:30082/api/jobs/tpl' \
-H 'Content-Type: application/json' \
-d "{
\"params\": {\"inputfile\": \"${FILE_URL}\"},
\"model\": \"reann2.0\",
\"parentId\": \"${TASK_UUID}\",
\"taskId\": \"${TASK_UUID}\",
\"createdBy\": \"<用户名>\"
}"
第三步:轮询状态
# 用响应中的 data.id(整数)轮询
curl -X GET 'http://114.214.211.25:30082/api/jobs?id=<data.id>'
# 等待状态变为 SUCCEEDED
第四步:下载结果
# 用提交时的 TASK_UUID(不是 data.id)
curl -OJ "http://114.214.211.25:30082/api/tasks/download?taskId=${TASK_UUID}"
推荐使用脚本
# 上传并自动等待完成后下载结果
python skills/reann/scripts/reann_run.py --inputfile /path/to/reann_training.zip --created_by <用户名>
# 已有 URL 跳过上传
python skills/reann/scripts/reann_run.py \
--inputfile http://124.71.201.245/aichem-lab-edge/20260402144008042test-reann.zip \
--skip_upload --created_by <用户名>
# 仅查询状态
python skills/reann/scripts/reann_run.py --query_task <data.id>
# 仅下载结果
python skills/reann/scripts/reann_run.py --download_result <task-uuid>
典型工作流
vasp-dft(ab initio 计算生成原子结构与力数据)
→ reann(训练 ML 势能面)
→ MD 模拟软件(LAMMPS,使用 REANN_LAMMPS_*.pt 驱动)
Examples
{
"params": {
"inputfile": "http://124.71.201.245/aichem-lab-edge/20260402144008042test-reann.zip"
},
"model": "reann2.0",
"parentId": "e3a0a335-17db-44ea-8b39-a3c7f02572f6",
"taskId": "e3a0a335-17db-44ea-8b39-a3c7f02572f6",
"createdBy": "user"
}
Changelog
| 版本 | 日期 | 变更 |
|---|---|---|
| 0.1.0 | 2026-04-03 | 初始版本,从 reann2.0_README.md 封装 |