任务启航台 · SSBworkflow

启航摘要

从材料集合创建统一计算任务，提交后进入公用队列等待自动调度。

任务类型

NEP_COND AutoNEP / NEP 电导率使用 AutoNEP 默认参数流，生成 NEP 电导率计算任务。自动调度；GPUMD/NEP 环境；按材料生成任务包。 NEP_PRED NEP 预测使用材料已有或上传的 nep.txt 运行 NEP 预测。自动调度；GPUMD/NEP 预测环境；需要 NEP 模型文件。 NEP_EVAL 势函数准确性评估用 GPUMD 计算载流子/框架 MSD、RDF，并以框架稳定性诊断势函数。自动调度；GPUMD/NEP 环境；需要 CIF、nep.txt 和载流子元素。 NEP_RESUME NEP 续算复用材料已有 nep.txt 和 train.xyz 创建 AutoNEP 续算任务。自动调度；GPUMD/NEP/VASP 小环节；需要 nep.txt 与 train.xyz。 ML_PRED ML 预测对所选材料运行统一 ML 预测。自动调度；ml-pred 环境；CPU 资源优先。 SCREEN 高筛运行 Zeo 高筛性质计算，默认目标阳离子 Li。自动调度；screen-zeo 环境；CPU 资源优先。 SOFTBV softBV / BVPA 创建 softBV/BVPA 候选路径分析计算。自动调度；softbv-bvpa 环境；CPU 资源优先。

资源策略 / 资源需求摘要

队列入口 test 是当前 dev 的唯一公用入口，不代表单台机器。

计算后端 后端是实际执行任务的本地或远程计算资源。

资源配置 配置描述任务类型可用的 CPU、GPU、内存和运行环境。

分配准则 提交任务先进入 test 公用队列；统一调度层再按任务类型、优先级、创建顺序和空闲资源选择可运行配置。
CPU / GPU 分工 ML_PRED、SCREEN、SOFTBV 默认使用 CPU 资源；NEP_COND、NEP_PRED、GPUMD 阶段优先匹配 GPU 资源，VASP 阶段匹配 CPU 资源。
不空转目标 同优先级任务会尽量填满空闲 CPU/GPU；AutoNEP 的新阶段产生后重新入池，优先级高于后续低优先级任务，但不会抢占已经运行的任务。

公用队列优先级

任务参数

AutoNEP / NEP 电导率参数

选择 param.yaml 模板后可直接查看并编辑最终 YAML；批量差异可保留 {material_id}、{formula} 等占位符。

param 模板任务包生成时使用的 AutoNEP param 模板。 POTCAR 类型用于 VASP 阶段的 POTCAR 族；仅显示当前环境实际存在的目录。压缩 POTCAR 目标环境使用压缩 POTCAR 时再启用。扩胞原子数阈值低于该原子数才扩胞；留空不自动扩胞。扩胞矩阵格式如 2,2,2；需与阈值同时填写。最终 param.yaml 从模板渲染，可直接编辑；提交时作为完整 YAML 覆盖生成结果。

AutoNEP 阶段模板预览

这些文件会随任务包复制或参与生成，包含 GPUMD run.in、VASP INCAR、NEP 训练 nep.in、预测 run.in、machine.yaml 和执行脚本。

资源/调度配置config/machine.yaml

machine_name: "Local_Test_Env"
root_dir: "." # <--- 请修改这里为你的实际路径

paths:
  # 必须填写入完整的绝对路径，确保 Python 无论在哪里执行都能找到它
  gpumdkit: "/home/koko/local/compute-env/bin/gpumdkit.sh"

  # 如果你的 nep 可执行文件也有特定路径，也可以放在这里
  nep_exe: "/cluster/home/koko125/tool/GPUMD/src/nep"
# 脚本库位置
script_dir: "config/scripts"

executors:
  # 1. 简单的本地命令 (如 NEP 训练)
  nep_local:
    type: "local"
    cmd: "nep"

  # 2. 复杂的本地脚本 (如 GPUMD)
  gpumd:
    type: "local"
    cmd: "gpumd" # 对应 config/scripts/gpumd.sh

  # 3. Slurm 提交测试 (VASP CPU)
  vasp_gpu:
    type: "local"
    cmd: "mpirun -np 1 vasp_std"

compute_manager:
  # Dev migration path: when enabled, AutoNEP keeps stage control locally and
  # submits GPUMD/NEP/VASP heavy calculations through apps.compute.
  # Enable with AUTONEP_USE_COMPUTE_MANAGER=1 or set enabled: true in a dev
  # bundle that runs inside the Django platform container.
  enabled: true
  backend_name: "auto"
  root_path: "/app/runtime/compute-jobs"
  env_script: "/home/koko/local/compute-env/env.sh"
  timeout_seconds: 86400
  commands:
    gpumd: "/home/koko/local/compute-env/bin/gpumd"
    nep: "/home/koko/local/compute-env/bin/nep"
    vasp: "mpirun -np 1 /home/koko/local/compute-env/bin/vasp_std_cpu"

scheduler:
  # Phase-1 shared scheduler. Disabled by default so legacy behavior is kept
  # unless explicitly enabled in generated task bundles or via environment:
  #   export AUTONEP_SHARED_SCHEDULER=1
  enabled: false
  poll_interval_seconds: 10
  fifo_gpu_grace_seconds: 120
  missing_job_fail_seconds: 300
  partitions:
    cpu: cpu
    gpu: gpu
  resource_limits:
    auto_detect: true
    fallback_cpu: 200
    fallback_gpu: 2
  resources:
    gpumd_cpu: 4
    nep_cpu: 4
    vasp_cpu: 4
    gpumdkit_cpu: 2
  operations:
    # D-class gpumdkit/ops tasks. Light preparation commands stay local on
    # the persistent worker; heavy analysis/collection commands enter Slurm
    # with the highest scheduler priority.
    gpumdkit_cpu: 2
    heavy_file_mb: 500
    out2xyz_dir_threshold: 50
    force_slurm: false
  vasp:
    candidate_cores: [4, 8, 16, 32, 48]
    gpu_enabled: true
    gpu_cores: 1
    cpu_command: "srun --mpi=pmi2 /cluster/home/koko125/vasp/vasp.6.4.3_cpu_public/bin/vasp_std"
    gpu_command: "mpirun -np {cores} vasp_std"
    cpu_env_init: "source /cluster/home/koko125/vasp/vasp.6.4.3_cpu_public/env_public_cpu.sh\nexport OMP_NUM_THREADS=1\nexport MKL_NUM_THREADS=1\nexport MKL_DYNAMIC=FALSE\nexport I_MPI_PMI_LIBRARY=/usr/lib64/libpmi2.so.0.0.0\nunset SLURM_TRES_PER_TASK"
    gpu_env_init: "source /cluster/apps/anaconda3/2022.05/etc/profile.d/conda.sh\nconda activate autonep\nsource ~/script/gpumd.sh\nsource ~/script/vasp_gpu.sh"
    benchmark_nelm: 3
    benchmark_timeout_seconds: 900
    benchmark_fallback_cores: 4
    timeout_factor: 6.0
    min_success_ratio: 0.60
    time: 7-00:00:00
    # mem: 32G

执行脚本config/scripts/vasp_cpu.sh

GPUMD 预热template/00.md/preheat/run.in

potential ./nep.txt
time_step 1

# Stage 1: 预热阶段1 - 从100K升温到400K
# 使用npt_scr系综，提供稳定的压力控制，防止体积扩散
velocity 100
ensemble npt_scr 100 400 100 0 0 0 0 0 0 50 50 50 5 5 5 1000
dump_thermo 100
dump_exyz 1000
run 100000

# Stage 2: 预热阶段2 - 从400K升温到1000K
ensemble npt_scr 400 1000 100 0 0 0 0 0 0 50 50 50 5 5 5 1000
dump_thermo 10
dump_exyz 10000
run 100000

GPUMD 预热template/00.md/preheat/run_mpkk.in

potential ./nep.txt
velocity 100

ensemble npt_mttk temp 100 400 aniso 0 0
run 100000

ensemble npt_mttk temp 400 1000 aniso 0 0
dump_thermo 10
dump_exyz 10000
run 100000

GPUMD 预热template/00.md/preheat/run_scr.in

potential ./nep.txt
time_step 1

# Stage 1: 预热阶段1 - 从100K升温到400K
# 使用npt_scr系综，提供稳定的压力控制，防止体积扩散
velocity 100
ensemble npt_scr 100 400 100 0 0 0 0 0 0 50 50 50 5 5 5 1000
dump_thermo 100
dump_exyz 1000
run 100000

# Stage 2: 预热阶段2 - 从400K升温到1000K
ensemble npt_scr 400 1000 100 0 0 0 0 0 0 50 50 50 5 5 5 1000
dump_thermo 10
dump_exyz 10000
run 100000

GPUMD 生产template/00.md/production/run.in

potential ./nep.txt
time_step 1

# Production阶段 - 使用npt_scr系综，提供稳定的压力控制，防止体积扩散
# 温度范围：350K -> 900K
velocity 350
ensemble npt_scr 350 900 100 0 0 0 0 0 0 50 50 50 5 5 5 1000
dump_thermo 10
dump_exyz 100
run 500000

GPUMD 生产template/00.md/production/run_mpkk.in

potential ./nep.txt
velocity 350

ensemble npt_mttk temp 350 900 aniso 0 0
dump_thermo 10
dump_exyz 100
run 500000

GPUMD 生产template/00.md/production/run_scr.in

potential ./nep.txt
time_step 1

# Production阶段 - 使用npt_scr系综，提供稳定的压力控制，防止体积扩散
# 温度范围：350K -> 900K
velocity 350
ensemble npt_scr 350 900 100 0 0 0 0 0 0 50 50 50 5 5 5 1000
dump_thermo 10
dump_exyz 100
run 500000

VASP SCFtemplate/02.scf/INCAR

NSW = 0 
PREC = Normal 
SIGMA = 0.05 
NELM = 100 
LWAVE = .FALSE. 
LCHARG = .FALSE. 

KSPACING = 0.25 
KGAMMA = .TRUE.

NEP 训练template/03.train/nep.in

type 3 Li Y Cl
zbl 2
cutoff 6 5
generation 100000

NEP 预测template/04.predict/run.in

potential ./nep.txt
time_step 1

# Stage 1: Heating (NPT) - 30 ps
velocity 300
ensemble npt_scr 300 {T} 100 0 0 0 0 0 0 50 50 50 5 5 5 1000
run 30000

# Stage 2: Equilibration (NPT) - 60 ps
ensemble npt_scr {T} {T} 100 0 0 0 0 0 0 50 50 50 5 5 5 1000
run 60000

# Stage 3: Production (NVT)
ensemble nvt_nhc {T} {T} 100
# MSD 设置: 10 * window * 20 = steps
compute_msd 10 {MSD_WINDOW} group 0 0
dump_thermo 1000
dump_exyz 5000
run {STEPS}

NEP 预测参数

控制 run.in 温度行、返回文件和可选扩胞；可复用成果仓中的 nep.txt。

温度配置每行一个温度配置，例如 300K 10000000 2000。默认 Arrhenius 温度点逗号或空格分隔，例如 600K, 800K；留空表示全部有效温度点。 run.in 模板选择模板后会渲染下方 run.in。返回文件逗号分隔，例如 dump_xyz, msd。扩胞原子数阈值低于该原子数才扩胞；留空不自动扩胞。扩胞矩阵格式如 2,2,2。最终 run.in 从模板渲染，可直接编辑；支持 {T}、{STEPS}、{MSD_WINDOW} 等占位符。

势函数准确性评估参数

生成结构化 GPUMD 评估输入，以框架 MSD 平台期为核心判断，并附带载流子 MSD 与 RDF 图。

载流子元素例如 Li、Na、Mg；框架自动取其余元素。温度 K NVT 平衡和生产段温度；默认偏高以更容易暴露框架稳定性问题。时间步 fs GPUMD time_step。平衡步数速度初始化后的 NVT 平衡步数。生产步数实际统计 MSD/RDF/thermo 的步数。 MSD 采样间隔 compute_msd 的 sample_interval。 MSD 相关步数 compute_msd 的 Nc。 RDF 截断 Å compute_rdf 的 cutoff。扩胞原子数上限 RDF cutoff 需要更厚晶胞时自动扩胞；超过上限才回退降低 cutoff。 RDF bins compute_rdf 的 num_bins。 RDF 间隔步数 compute_rdf 的 interval。 Thermo 间隔步数 dump_thermo 的输出间隔。轨迹 dump 间隔 0 表示不输出 dump.xyz；大于 0 时启用 dump_exyz。

NEP 续算参数

复用 AutoNEP 参数流，并额外带入已有 nep.txt 和 train.xyz 作为续算初始数据。

param 模板与 AutoNEP 使用同一组 param 模板；提交时写入 config/param.yaml。 POTCAR 类型用于 VASP 阶段的 POTCAR 族；仅显示当前环境实际存在的目录。压缩 POTCAR 目标环境使用压缩 POTCAR 时再启用。扩胞原子数阈值低于该原子数才扩胞；留空不自动扩胞。扩胞矩阵格式如 2,2,2；需与阈值同时填写。最终 param.yaml 从 AutoNEP 模板渲染，可直接编辑；支持 {material_id}、{formula}、{elements} 等材料占位符。

NEP 续算阶段模板预览

续算任务沿用 AutoNEP 阶段模板，并额外带入材料已有 nep.txt 和 train.xyz。

资源/调度配置config/machine.yaml

machine_name: "Local_Test_Env"
root_dir: "." # <--- 请修改这里为你的实际路径

paths:
  # 必须填写入完整的绝对路径，确保 Python 无论在哪里执行都能找到它
  gpumdkit: "/home/koko/local/compute-env/bin/gpumdkit.sh"

  # 如果你的 nep 可执行文件也有特定路径，也可以放在这里
  nep_exe: "/cluster/home/koko125/tool/GPUMD/src/nep"
# 脚本库位置
script_dir: "config/scripts"

executors:
  # 1. 简单的本地命令 (如 NEP 训练)
  nep_local:
    type: "local"
    cmd: "nep"

  # 2. 复杂的本地脚本 (如 GPUMD)
  gpumd:
    type: "local"
    cmd: "gpumd" # 对应 config/scripts/gpumd.sh

  # 3. Slurm 提交测试 (VASP CPU)
  vasp_gpu:
    type: "local"
    cmd: "mpirun -np 1 vasp_std"

compute_manager:
  # Dev migration path: when enabled, AutoNEP keeps stage control locally and
  # submits GPUMD/NEP/VASP heavy calculations through apps.compute.
  # Enable with AUTONEP_USE_COMPUTE_MANAGER=1 or set enabled: true in a dev
  # bundle that runs inside the Django platform container.
  enabled: true
  backend_name: "auto"
  root_path: "/app/runtime/compute-jobs"
  env_script: "/home/koko/local/compute-env/env.sh"
  timeout_seconds: 86400
  commands:
    gpumd: "/home/koko/local/compute-env/bin/gpumd"
    nep: "/home/koko/local/compute-env/bin/nep"
    vasp: "mpirun -np 1 /home/koko/local/compute-env/bin/vasp_std_cpu"

scheduler:
  # Phase-1 shared scheduler. Disabled by default so legacy behavior is kept
  # unless explicitly enabled in generated task bundles or via environment:
  #   export AUTONEP_SHARED_SCHEDULER=1
  enabled: false
  poll_interval_seconds: 10
  fifo_gpu_grace_seconds: 120
  missing_job_fail_seconds: 300
  partitions:
    cpu: cpu
    gpu: gpu
  resource_limits:
    auto_detect: true
    fallback_cpu: 200
    fallback_gpu: 2
  resources:
    gpumd_cpu: 4
    nep_cpu: 4
    vasp_cpu: 4
    gpumdkit_cpu: 2
  operations:
    # D-class gpumdkit/ops tasks. Light preparation commands stay local on
    # the persistent worker; heavy analysis/collection commands enter Slurm
    # with the highest scheduler priority.
    gpumdkit_cpu: 2
    heavy_file_mb: 500
    out2xyz_dir_threshold: 50
    force_slurm: false
  vasp:
    candidate_cores: [4, 8, 16, 32, 48]
    gpu_enabled: true
    gpu_cores: 1
    cpu_command: "srun --mpi=pmi2 /cluster/home/koko125/vasp/vasp.6.4.3_cpu_public/bin/vasp_std"
    gpu_command: "mpirun -np {cores} vasp_std"
    cpu_env_init: "source /cluster/home/koko125/vasp/vasp.6.4.3_cpu_public/env_public_cpu.sh\nexport OMP_NUM_THREADS=1\nexport MKL_NUM_THREADS=1\nexport MKL_DYNAMIC=FALSE\nexport I_MPI_PMI_LIBRARY=/usr/lib64/libpmi2.so.0.0.0\nunset SLURM_TRES_PER_TASK"
    gpu_env_init: "source /cluster/apps/anaconda3/2022.05/etc/profile.d/conda.sh\nconda activate autonep\nsource ~/script/gpumd.sh\nsource ~/script/vasp_gpu.sh"
    benchmark_nelm: 3
    benchmark_timeout_seconds: 900
    benchmark_fallback_cores: 4
    timeout_factor: 6.0
    min_success_ratio: 0.60
    time: 7-00:00:00
    # mem: 32G

执行脚本config/scripts/vasp_cpu.sh

GPUMD 预热template/00.md/preheat/run.in

potential ./nep.txt
time_step 1

# Stage 1: 预热阶段1 - 从100K升温到400K
# 使用npt_scr系综，提供稳定的压力控制，防止体积扩散
velocity 100
ensemble npt_scr 100 400 100 0 0 0 0 0 0 50 50 50 5 5 5 1000
dump_thermo 100
dump_exyz 1000
run 100000

# Stage 2: 预热阶段2 - 从400K升温到1000K
ensemble npt_scr 400 1000 100 0 0 0 0 0 0 50 50 50 5 5 5 1000
dump_thermo 10
dump_exyz 10000
run 100000

GPUMD 预热template/00.md/preheat/run_mpkk.in

potential ./nep.txt
velocity 100

ensemble npt_mttk temp 100 400 aniso 0 0
run 100000

ensemble npt_mttk temp 400 1000 aniso 0 0
dump_thermo 10
dump_exyz 10000
run 100000

GPUMD 预热template/00.md/preheat/run_scr.in

potential ./nep.txt
time_step 1

# Stage 1: 预热阶段1 - 从100K升温到400K
# 使用npt_scr系综，提供稳定的压力控制，防止体积扩散
velocity 100
ensemble npt_scr 100 400 100 0 0 0 0 0 0 50 50 50 5 5 5 1000
dump_thermo 100
dump_exyz 1000
run 100000

# Stage 2: 预热阶段2 - 从400K升温到1000K
ensemble npt_scr 400 1000 100 0 0 0 0 0 0 50 50 50 5 5 5 1000
dump_thermo 10
dump_exyz 10000
run 100000

GPUMD 生产template/00.md/production/run.in

potential ./nep.txt
time_step 1

# Production阶段 - 使用npt_scr系综，提供稳定的压力控制，防止体积扩散
# 温度范围：350K -> 900K
velocity 350
ensemble npt_scr 350 900 100 0 0 0 0 0 0 50 50 50 5 5 5 1000
dump_thermo 10
dump_exyz 100
run 500000

GPUMD 生产template/00.md/production/run_mpkk.in

potential ./nep.txt
velocity 350

ensemble npt_mttk temp 350 900 aniso 0 0
dump_thermo 10
dump_exyz 100
run 500000

GPUMD 生产template/00.md/production/run_scr.in

potential ./nep.txt
time_step 1

# Production阶段 - 使用npt_scr系综，提供稳定的压力控制，防止体积扩散
# 温度范围：350K -> 900K
velocity 350
ensemble npt_scr 350 900 100 0 0 0 0 0 0 50 50 50 5 5 5 1000
dump_thermo 10
dump_exyz 100
run 500000

VASP SCFtemplate/02.scf/INCAR

NSW = 0 
PREC = Normal 
SIGMA = 0.05 
NELM = 100 
LWAVE = .FALSE. 
LCHARG = .FALSE. 

KSPACING = 0.25 
KGAMMA = .TRUE.

NEP 训练template/03.train/nep.in

type 3 Li Y Cl
zbl 2
cutoff 6 5
generation 100000

NEP 预测template/04.predict/run.in

potential ./nep.txt
time_step 1

# Stage 1: Heating (NPT) - 30 ps
velocity 300
ensemble npt_scr 300 {T} 100 0 0 0 0 0 0 50 50 50 5 5 5 1000
run 30000

# Stage 2: Equilibration (NPT) - 60 ps
ensemble npt_scr {T} {T} 100 0 0 0 0 0 0 50 50 50 5 5 5 1000
run 60000

# Stage 3: Production (NVT)
ensemble nvt_nhc {T} {T} 100
# MSD 设置: 10 * window * 20 = steps
compute_msd 10 {MSD_WINDOW} group 0 0
dump_thermo 1000
dump_exyz 5000
run {STEPS}

ML 预测参数

轻量 CPU 预测任务，当前主要控制批量和并行提示。

Batch size 每个前台任务默认对应单个材料。 n_jobs 留空表示由后端脚本自行决定。

高筛参数

SCREEN/Zeo 高筛任务，当前核心参数是目标阳离子。

目标阳离子例如 Li、Na、K。

softBV / BVPA 参数

控制迁移离子、氧化态、网格分辨率和归一化策略。

迁移离子例如 Li、Na、Mg。氧化态迁移离子的氧化态。分辨率 softBV 网格分辨率。 Scale factor softBV scale factor。氧化态归一化 auto 会按当前材料自动处理。

提交时只读取当前任务类型对应参数；任务创建后可在任务航迹板详情中查看已写入的业务输入。

公用队列状态

ICSD 空闲

支持：暂无匹配任务类型

资源：暂无匹配资源

需求：未配置

等待 0 运行 0 失败 0

predict 空闲

支持：暂无匹配任务类型

资源：暂无匹配资源

需求：未配置

等待 0 运行 0 失败 0

学院空闲

支持：暂无匹配任务类型

资源：暂无匹配资源

需求：未配置

等待 0 运行 0 失败 0

测试队列 空闲

支持：暂无匹配任务类型

资源：暂无匹配资源

需求：未配置

等待 0 运行 0 失败 0

默认计算队列 空闲

支持：NEP_PRED、NEP_EVAL

资源：CPU 最高 4 核；GPU 最高 1 张；内存最高 16 GB

需求：未配置

等待 0 运行 0 失败 0

已选材料

数量：1

#18525 · Na1 Li3 Ti2 Al2 P6 O24 mp-776523.cif

摘要预览：#18525 Na1 Li3 Ti2 Al2 P6 O24 / mp-776523.cif

粘贴材料 ID

返回选择材料