本仓库采用自定义的非商业许可证：
- 允许源码查看、非商业学术研究、教学和论文复现
- 禁止商业产品、商业服务、付费部署、API/SaaS、企业经营性使用、转售和再许可
- 商业使用必须取得单独书面授权
完整条款见 LICENSE。 商业授权说明见 COMMERCIAL-LICENSE.md。
nepactive 是一个面向含能材料体系的主动学习工作流，覆盖 NEP 势训练、偏差驱动采样、ASE/MatterSim 标注、爆速测试和相关后处理。
- 主动学习主流程：初始化、训练、采样、标注、迭代更新
- NEP 与 MatterSim 双路径支持
- 偏差分析与数据集压缩
- 分子识别、产物求解与结构生成
- 本地 CPU/GPU NEP backend
推荐在仓库根目录执行：
git clone https://github.com/Pdeedee/BRIDGE.git
cd BRIDGE
pip install uv
export CUDA_HOME="/path/to/your/cuda"
export CUDA_PATH="/path/to/your/cuda"
export PATH=$CUDA_HOME/bin:$PATH
uv pip install -e .安装完成后可直接使用：
nepactive
nep-identify
nep-product
nep-fps默认安装会尝试编译本地 NEP 扩展：
- CPU backend：默认尝试编译
- GPU backend：检测到
nvcc或CUDA_HOME/CUDA_PATH后自动尝试编译 - GPU 工具链缺失时：跳过 GPU backend，不阻塞主包安装
如需显式控制：
NEP_NATIVE_BUILD=none uv pip install -e .
NEP_NATIVE_BUILD=cpu uv pip install -e .
NEP_NATIVE_BUILD=all uv pip install -e .如果 GPU 编译较慢，建议显式指定目标架构，例如：
CUDAARCHS=89 uv pip install -e .更完整的 native backend 说明见 src/nepactive/native_nep/README.md。
完整工作流通常还需要以下外部程序或环境：
GPUMDPackmol- 远程 VASP 环境
是否需要它们取决于你启用的具体模块。
典型项目目录如下：
project/
├── in.yaml
├── POSCAR
└── prep/
├── INCAR
├── KPOINTS
└── POTCAR
在项目目录准备好 in.yaml 后，直接运行：
nepactive查看 nepactive 进程 PID：
pgrep -af nepactive查看每个 nepactive 进程当前工作目录：
pgrep nepactive | xargs pwdx正常终止任务：
kill -TERM <pid>例如：
kill -TERM 12345默认主动学习流程会依次执行：
init/
├── 初始结构生成 / 弛豫
├── 初始数据提取
└── 初始 train/test 划分
iter.XXXXXX/
├── 00.nep/ 势函数训练
├── 01.gpumd/ 采样任务
├── 02.label/ 候选结构标注与数据集更新
└── 03.shock/ 爆速测试
nepactive # 主动学习主流程
nepactive shock # 爆速测试
nepactive hod --gpu 0 # 爆热计算
nepactive OB # 氧平衡工作流
nepactive remote # 扫描 remote.dirs 并远程提交
nepactive mktask # 从轨迹批量生成 task.*
nepactive reset # 清理 task_finished/task_failed
nep-identify POSCAR
nep-product POSCAR
nep-fps dump.xyz --number 2000
nep-plt # 默认读取当前目录并自动识别 md.log / thermo.out / loss.out
nep-plt iter.000000/01.gpumd/task.000000
nep-opt POSCAR
nep-opt dump.xyz --index 0 --cell --hydrostatic也可以直接从源码入口运行：
python -m nepactive.main
python -m nepactive.main shock主配置文件为 in.yaml。常用项包括：
structure_files：输入结构ase_model：mattersim或nep89ase_model_file：自定义模型文件sampling：采样、FPS 和候选池控制shock：爆速测试参数remote：远程提交设置
一个精简示例如下：
project_name: HMX
python_interpreter: python
structure_files: ["POSCAR"]
kpoints_file: prep/KPOINTS
incar_file: prep/INCAR
potcar_file: prep/POTCAR
ase_model: mattersim
ase_model_file: null
ase_nep_backend: gpu
sampling:
method: relative
needed_frames: 10000
max_candidate: 1000
deviation_backend: auto
fps_pot: nep89
init_method: fps
init_descriptor: nep
dataset_method: fps
dataset_descriptor: nep
fps_pca_plot: true
shock:
structure: POSCAR
pressure_list: [20, 25, 30, 35, 40]
steps: 100000
time_step: 0.4
pot: mattersim如果项目根目录下放了自定义 nep.in，训练时会优先把它当作模板使用；程序仍会按当前轮次自动覆盖其中的 generation：
- 第 0 轮使用
ini_train_steps - 后续轮次使用
train_steps
如果不想把模板命名为根目录 nep.in，也可以在 in.yaml 里显式设置：
nep_template: prep/nep.in如果你启用了：
pot_inherit: true建议显式给出：
nep_in_header: "type 4 H C N O"以避免元素顺序变化导致继承权重失配。
势函数完成训练之后在init和每一代的02.label中存在iter_train.xyz和iter_test.xyz分别为每一代的训练集，测试集，拼接之后即为完整的训练集测试集。
主动学习中的 ASE 路径支持两种基础模型：
mattersimnep89
其中：
ase_model: mattersim使用 MatterSim 路径ase_model: nep89使用本地nep89模型，可配合本地 CPU/GPU backend- 当
sampling.init_descriptor设为nep且未显式给出init_nep_file时，init FPS 默认使用仓库根目录的 resources/nep89_20250409.txt - 当
sampling.dataset_descriptor设为nep且未显式给出dataset_nep_file时，后续 FPS 由sampling.fps_pot控制： fps_pot: nep89使用仓库自带的resources/nep89_20250409.txtfps_pot: self使用当前迭代00.nep/task.000000/nep.txtsampling.fps_pca_plot: true时，会在每次 FPS 采样后额外输出 PCA 覆盖图；图直接复用本次 FPS 已经算好的结构级 descriptor，不会重复算描述符shock.pot可在mattersim和nep间切换
nep-fps 提供独立的 farthest point sampling 工具，例如：
nep-fps dump.xyz --number 2000
nep-fps dump.xyz --r2 0.95
nep-fps dump.xyz --number 500 --reference train.xyz
nep-fps dump.xyz --descriptor nep --model resources/nep89_20250409.txt --pca-plot fps_pca.png更多采样和后端参数说明见源码内配置模板与相关模块。
用于基于邻居关系识别结构或轨迹中的分子组成。