CN114329674A - 基于Quantum Espresso的云端高通量材料自动筛选方法和系统 - Google Patents
基于Quantum Espresso的云端高通量材料自动筛选方法和系统 Download PDFInfo
- Publication number
- CN114329674A CN114329674A CN202111667589.7A CN202111667589A CN114329674A CN 114329674 A CN114329674 A CN 114329674A CN 202111667589 A CN202111667589 A CN 202111667589A CN 114329674 A CN114329674 A CN 114329674A
- Authority
- CN
- China
- Prior art keywords
- throughput
- calculation
- quantum
- screening
- component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012216 screening Methods 0.000 title claims abstract description 145
- 235000015114 espresso Nutrition 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 80
- 239000000463 material Substances 0.000 title claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 233
- 230000008569 process Effects 0.000 claims abstract description 64
- 238000013461 design Methods 0.000 claims abstract description 18
- 238000007405 data analysis Methods 0.000 claims abstract description 16
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000013075 data extraction Methods 0.000 claims description 27
- 238000005457 optimization Methods 0.000 claims description 21
- 230000003068 static effect Effects 0.000 claims description 21
- 230000003287 optical effect Effects 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000001338 self-assembly Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 8
- 230000001808 coupling effect Effects 0.000 claims description 7
- 239000002184 metal Substances 0.000 claims description 7
- 229910052751 metal Inorganic materials 0.000 claims description 7
- 230000000704 physical effect Effects 0.000 claims description 6
- 230000004907 flux Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012106 screening analysis Methods 0.000 abstract 1
- 238000005381 potential energy Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 150000002500 ions Chemical class 0.000 description 4
- 150000001768 cations Chemical class 0.000 description 3
- 238000013537 high throughput screening Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000000059 patterning Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000005428 wave function Effects 0.000 description 2
- 238000003775 Density Functional Theory Methods 0.000 description 1
- 229910001417 caesium ion Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 229910001419 rubidium ion Inorganic materials 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于Quantum Espresso的云端高通量材料自动筛选方法和系统，包括：创建Quantum Espresso(简称QE)计算模拟赝势库和第一性原理计算组件库；调用高通量建模组件，通过QE图形化参数设置模块，进行建模参数设置；通过QE图形化流程组装与设计模块，鼠标拖拽或点击所述第一性原理计算组件库，自组装形成高通量计算筛选流程；通QE图形化参数设置模块，对所述高通量计算筛选流程中的每个图形化组件进行参数设置；启动QE高通量自动筛选引擎，从而让系统执行和管控整个高通量计算筛选和数据分析流程。本申请最终实现基于QE就可在云端开展材料的高通量自动化筛选和分析的效果，帮助开展材料结构设计和配方设计。
Description
技术领域
本申请在于用户基于Quantum Espresso第一性原理计算软件，就可在云端开展材料的高通量自动化筛选，进行材料的结构设计和配方设计。
背景技术
Quantum Espresso是一款以第一性原理密度泛函理论为基础的第一性原理计算软件。前期被称为：PWscf程序包；后改名为：QUANTUMESPRESSO(简称QE)程序包。其主要包括两大模块PWscf和CPMD。其优点是：可以计算材料费米面(金属)、电声耦合作用、超导性质，包括各向同性、异性超导特征，所述Quantum Espresso功能模块化、开源免费、易于上手。
但是，QE还有以下主要缺点，包括：同种原子赝势种类多、多组份化合物中的各元素赝势较难凑齐。此外，开展QE计算，需要熟悉linux且登录到计算集群，计算结果不能集中统一管理，不能有效应用机器学习，也不能很好地开展基于QE的材料高通量自动筛选，进行材料的结构设计和配方设计。
发明内容
为解决上述问题，本申请提供一种云端开展Quantum Espresso第一原理计算和高通量自动筛选的方法和系统，包括：
S1创建Quantum Espresso计算模拟赝势库，创建Quantum Espresso第一性原理计算组件库，包括：基于Quantum Espresso的结构优化图形化组件、静态计算图形化组件、能带计算图形化组件、态密度计算图形化组件、弹性常数计算图形化组件及光学性质计算图形化组件；
S2浏览器登录，调用高通量建模组件，通过Quantum Espresso图形化参数设置模块，进行建模参数设置，生成大量结构候选空间；
S3通过Quantum Espresso图形化流程组装与设计模块，鼠标拖拽或点击所述基于Quantum Espresso的结构优化图形化组件、静态计算图形化组件、能带计算图形化组件、态密度计算图形化组件、弹性常数计算图形化组件及光学性质计算图形化组件，自组装形成高通量计算筛选流程；
S4通过Quantum Espresso图形化参数设置模块，对所述高通量计算筛选流程中的每个图形化组件进行参数设置，包括：通过Quantum Espresso图形化赝势选择模块，进行赝势设置；通过Quantum Espresso流程自组装模块，连接结构候选空间与所述高通量计算筛选流程；通过Quantum Espresso筛选描述符设置模块，根据所述结构候选空间确定筛选描述符；
S5启动Quantum Espresso高通量工作流引擎，执行和管控Quantum Espresso高通量计算筛选流程，包括：启动高通量建模组件、筛选描述符组件和高通量作业提交模块，根据所述高通量计算筛选流程和赝势库生成Quantum Espresso高通量计算作业并提交到高通量计算环境，同时启动Quantum Espresso高通量作业监控模块、高通量负载均衡模块、数据提取模块进行Quantum Espresso高通量计算和数据自动化提取；
S6对数据提取结果启动数据分析模块进行数据分析，并进行自动化筛选，获得高通量计算筛选结果，通过数据库入库模块，并存储到数据库中。
可选的，所述基于Quantum Espresso的高通量计算包括：材料费米面(金属)、电声耦合作用、超导性质。
可选的，其特征在于，所述登录浏览器包括登入工作流组件页面、结果处理分析页面。
可选的，所述处理分析包括：提取包括电子结构性质、超导性质，力学性质关键物性提取。
可选的，所述浏览器和所述Quantum Espresso通过互联网或者私有网络进行数据交换。
本申请还提供一种基于Quantum Espresso的云端高通量材料自动筛选方法，其特征在于，包括：
创建单元，用于创建Quantum Espresso计算模拟赝势库，创建Quantum Espresso第一性原理计算组件库，包括：结构优化图形化组件、静态计算图形化组件、能带计算图形化组件、态密度计算图形化组件、弹性常数计算图形化组件及光学性质计算图形化组件；
参数单元，用于浏览器登录，调用Quantum Espresso高通量建模组件，通过Quantum Espresso图形化参数设置模块，进行建模参数设置，生成大量结构候选空间；
流程单元，用于通过Quantum Espresso图形化流程组装与设计模块，鼠标拖拽或点击所述Quantum Espresso结构优化图形化组件、静态计算图形化组件、能带计算图形化组件、态密度计算图形化组件、弹性常数计算图形化组件及光学性质计算图形化组件，自组装形成高通量计算筛选流程；
设置单元，用于通过Quantum Espresso图形化参数设置模块，对所述高通量计算筛选流程中的每个图形化组件进行参数设置，包括：通过Quantum Espresso图形化赝势选择模块，进行赝势设置；通过Quantum Espresso流程自组装模块，连接结构候选空间与所述高通量计算筛选流程；通过Quantum Espresso筛选描述符设置模块，根据所述结构候选空间确定筛选描述符；
计算单元，用于启动Quantum Espresso高通量工作流引擎，执行和管控高通量计算筛选流程，包括：启动高通量建模组件、筛选描述符组件和高通量作业提交模块，根据所述高通量计算筛选流程和QuantumEspresso赝势库生成高通量计算作业并提交到高通量计算环境，同时启动Quantum Espresso高通量作业监控模块、高通量负载均衡模块、数据提取模块进行高通量计算和数据自动化提取；
结果单元，用于对数据提取结果启动数据分析模块进行数据分析，获得高通量计算筛选结果，通过数据库入库模块，并存储到数据库中。
可选的，所述高通量计算包括：材料费米面(金属)、电声耦合作用、超导性质。
可选的，所述登录浏览器包括登入工作流组件页面、结果处理分析页面。
可选的，所述处理分析包括：提取包括电子结构性质、超导性质，力学性质关键物性提取。
可选的，所述浏览器和所述Quantum Espresso通过互联网或者私有网络进行数据交换。
本申请相对与现有技术的优点：
本申请提供S1创建Quantum Espresso计算模拟赝势库，创建Quantum Espresso第一性原理计算组件库，包括：基于Quantum Espresso的结构优化图形化组件、静态计算图形化组件、能带计算图形化组件、态密度计算图形化组件、弹性常数计算图形化组件及光学性质计算图形化组件；S2浏览器登录，调用高通量建模组件，通过Quantum Espresso图形化参数设置模块，进行建模参数设置，生成大量结构候选空间；S3通过Quantum Espresso图形化流程组装与设计模块，鼠标拖拽或点击所述基于Quantum Espresso的结构优化图形化组件、静态计算图形化组件、能带计算图形化组件、态密度计算图形化组件、弹性常数计算图形化组件及光学性质计算图形化组件，自组装形成高通量计算筛选流程；S4通过QuantumEspresso图形化参数设置模块，对所述高通量计算筛选流程中的每个图形化组件进行参数设置，包括：通过Quantum Espresso图形化赝势选择模块，进行赝势设置；通过QuantumEspresso流程自组装模块，连接结构候选空间与所述高通量计算筛选流程；通过QuantumEspresso筛选描述符设置模块，根据所述结构候选空间确定筛选描述符；S5启动QuantumEspresso高通量工作流引擎，执行和管控Quantum Espresso高通量计算筛选流程，包括：启动高通量建模组件、筛选描述符组件和高通量作业提交模块，根据所述高通量计算筛选流程和赝势库生成Quantum Espresso高通量计算作业并提交到高通量计算环境，同时启动Quantum Espresso高通量作业监控模块、高通量负载均衡模块、数据提取模块进行QuantumEspresso高通量计算和数据自动化提取；S6对数据提取结果启动数据分析模块进行数据分析，并进行自动化筛选，获得高通量计算筛选结果，通过数据库入库模块，并存储到数据库中。本申请通过设置云端第一性原理计算软件，通过参数归类和赝势文件的整合实现了同种原子赝势种类化，易于选择，同时通过将计算结果存储到数据库中，使得高通量计算和筛选一旦结束，用户能直接可视化筛选结果。用户仅需通过浏览器就可操作；使用该“云”，不受任何第一性原理计算软件许可限制。
附图说明
图1是本申请中云的高通量自动化第一性原理计算筛选的流程图。
图2是本申请中阳离子掺杂钙钛矿示意图。
图3～图6是本申请中第一性原理计算参数调整示意图。
图7是本申请中云的高通量自动化第一性原理计算筛选装置示意图。
图8是本申请中一种云的高通量自动化第一性原理计算筛选系统示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
实施例1：
本申请提供S1创建Quantum Espresso计算模拟赝势库，创建Quantum Espresso第一性原理计算组件库，包括：基于Quantum Espresso的结构优化图形化组件、静态计算图形化组件、能带计算图形化组件、态密度计算图形化组件、弹性常数计算图形化组件及光学性质计算图形化组件；S2浏览器登录，调用高通量建模组件，通过Quantum Espresso图形化参数设置模块，进行建模参数设置，生成大量结构候选空间；S3通过Quantum Espresso图形化流程组装与设计模块，鼠标拖拽或点击所述基于Quantum Espresso的结构优化图形化组件、静态计算图形化组件、能带计算图形化组件、态密度计算图形化组件、弹性常数计算图形化组件及光学性质计算图形化组件，自组装形成高通量计算筛选流程；S4通过QuantumEspresso图形化参数设置模块，对所述高通量计算筛选流程中的每个图形化组件进行参数设置，包括：通过Quantum Espresso图形化赝势选择模块，进行赝势设置；通过QuantumEspresso流程自组装模块，连接结构候选空间与所述高通量计算筛选流程；通过QuantumEspresso筛选描述符设置模块，根据所述结构候选空间确定筛选描述符；S5启动QuantumEspresso高通量工作流引擎，执行和管控Quantum Espresso高通量计算筛选流程，包括：启动高通量建模组件、筛选描述符组件和高通量作业提交模块，根据所述高通量计算筛选流程和赝势库生成Quantum Espresso高通量计算作业并提交到高通量计算环境，同时启动Quantum Espresso高通量作业监控模块、高通量负载均衡模块、数据提取模块进行QuantumEspresso高通量计算和数据自动化提取；S6对数据提取结果启动Quantum Espresso数据分析模块进行数据分析，并进行自动化筛选，获得高通量计算筛选结果，通过数据库入库模块，并存储到数据库中。本申请通过设置云端Quantum Espresso(第一性原理计算软件)，通过参数归类和赝势文件的整合实现了同种原子赝势种类化，易于选择，同时通过将计算结果存储到数据库中，实现数据的统一管理，使得高通量计算和筛选一旦结束，用户能直接可视化筛选结果。用户仅需通过浏览器就可操作；使用该“云”，不受任何第一性原理计算软件许可限制。
图1是本申请中云的高通量自动化第一性原理计算筛选的流程图。
请参照图1所示，S1创建Quantum Espresso计算模拟赝势库，创建QuantumEspresso第一性原理计算组件库，包括：结构优化图形化组件、静态计算图形化组件、能带计算图形化组件、态密度计算图形化组件、弹性常数计算图形化组件及光学性质计算图形化组件。
所述Quantum Espresso(第一性原理计算软件)是部署到云服务器中的，所述云服务器通过网页显示在用户端，而用户端通过所述网页进行操作，实现Quantum Espresso软件与用户的交互。根据用户的指令，所述Quantum Espresso软件使用云服务器的计算资源进行第一性原理计算。所述云服务器是提供计算资源的云端设备，该云服务器通过公有网络和/或私有网络与用户端连接，并根据所述用户端的指令执行计算任务。
所述第一性原理计算软件部署到云服务器中，并将所述第一性原理计算软件的各个第一性原理计算组件都图形化为第一性原理计算图形化组件库，本申请中所述第一性原理计算图形化组件库包括：结构优化图形化组件、静态计算图形化组件、能带计算图形化组件、态密度计算图形化组件、弹性常数计算图形化组件及光学性质计算图形化组件。
在本申请中，将赝势文件进行了整合和封装创建QuantumEspresso赝势库，然后或者并行的创建第一性原理计算图形化组件库。
请参照图1所示，S2浏览器登录，调用高通量建模组件，通过Quantum Espresso图形化参数设置模块，进行建模参数设置，生成大量结构候选空间。
在完成所述QuantumEspresso赝势库的创建和第一性原理计算图形化组件库后，用户可通过用户端打开并登录相关网页进行下一步操作。具体的，可以调取高通量组件模型进行建模参数设置，为后续处理提供基础条件。
在本申请中，所述高通量建模组件也是图形化组件，其中已经提供了多个可配置参数选项，通过拖拽或者点选即可完成相关设置。优选的，调用MatCloud+高通量建模组件进行参数设置，生成大量的结构候选空间，所述结构候选空间是晶体分子结构的空间状态。
请参照图1所示，S3通过Quantum Espresso图形化流程组装与设计模块，鼠标拖拽或点击所述Quantum Espresso结构优化图形化组件、静态计算图形化组件、能带计算图形化组件、态密度计算图形化组件、弹性常数计算图形化组件及光学性质计算图形化组件，自组装形成高通量计算筛选流程。
上述已经创建了第一性原理计算图形化组件库，接下来将所述通过所述网页选择通过Quantum Espresso图形化流程组装与设计模块进行流程设计。
具体的选择、点击以及拖动各个所述图形化组件设置所述工作流，以实现高通量计算筛选流程的设置和修正。
请参照图1所示，S4通过Quantum Espresso图形化参数设置模块，对所述高通量计算筛选流程中的每个图形化组件进行参数设置，包括：通过Quantum Espresso图形化赝势选择模块，进行赝势设置；通过Quantum Espresso流程自组装模块，连接结构候选空间与所述高通量计算筛选流程；通过Quantum Espresso筛选描述符设置模块，根据所述结构候选空间确定筛选描述符。
所述高通量计算筛选流程的需要进行参数调整，本申请中将第一性原理计算软件中的参数进行分类，以有助于快速的进行参数调整。基于这些设置分别通过QuantumEspresso图形化赝势选择模块，进行赝势设置；通过Quantum Espresso流程自组装模块，连接结构候选空间与所述高通量计算筛选流程；通过Quantum Espresso筛选描述符设置模块，根据所述结构候选空间确定筛选描述符，这些设置将所述结构候选空间与高通量计算筛选流程向关联。其中还包括，从所述QuantumEspresso赝势库中选择赝势文件，以及通过Quantum Espresso筛选描述符设置模块，根据所述结构候选空间确定筛选描述符；
具体的，在进行所述第一性原理计算任务之前，确定计算目标，并根据所述计算目标设计高通量计算筛选流程，然后根据所述高通量计算筛选流程读取赝势文件。所述赝势就是在离子实的内部，用假想的势能取代真实的势能。求解波动方程时，若不改变其能量本征值和离子实之间区域的波函数，则这个假想的势能就叫做赝势。所述赝势文件就是记录这些势能数据的文件。
本申请中，用户在网页中可以一键读取完整的赝势文件添加到计算任务中，避免赝势文件缺失的不良结果产生。
S5启动Quantum Espresso高通量工作流引擎，执行和管控高通量计算筛选流程，包括：启动高通量建模组件、筛选描述符组件和高通量作业提交模块，根据所述高通量计算筛选流程和QuantumEspresso赝势库生成高通量计算作业并提交到高通量计算环境，同时启动Quantum Espresso高通量作业监控模块、高通量负载均衡模块、数据提取模块进行高通量计算和数据自动化提取；
启动工作流后，通过Quantum Espresso软件完成计算并生成计算结果，包括：启动MatCloud+高通量建模引擎、MatCloud+高通量建模组件、描述符组件和作业提交模块。
本申请中，所述第一性原理计算任务需要确定计算目标，所述计算目标值是指针对某项计算任务要获得的结果。在本申请中，所述计算目标包括：金属的材料费米面、电声耦合作用、超导性质等。具体的，每一个种类的计算目标，或者每一个不同的计算目标都具有相对应的计算流程，本申请中所述计算流程称为筛选工作流。本申请中根据第一性原理的计算步骤设置多个工作步骤模块；根据所述计算目标将所述工作步骤模块进行次序排列生成筛选工作流。
接下来，同时启动Quantum Espresso高通量作业监控模块、负载均衡模块、数据提取模块进行计算，其中所述监控模块用于对计算过程的监控、负载均衡模块用于对计算任务进行线程分配、所述Quantum Espresso数据提取模块用于从计算结果中提取数据。
请参照图1所示，S6对计算结果进行筛选后，启动结果处理分析模块进行数据分析，获得高通量计算筛选结果并存储到数据库中。
完成参数设置，并启动工作流后，所述第一性原理计算软件将根据设置的参数进行计算得出计算结果。
所述计算结果发送到显示设备，根据预设显示模板在显示设备中显示。具体的所述计算结果是在结果处理页面显示的。
本申请所述结果数据将统一存储到物性数据库，使得高通量计算和筛选一旦结束，用户能直接可视化筛选结果。
实施例2：
采用将阳离子掺杂到钙钛矿(APbBr3)材料中，计算其光电转化效应、能带即间隙对所述光电效应的影响。
图2是本申请中阳离子掺杂钙钛矿示意图。
请参照图2所示，所述阳离子采用包括：Li、Na、K、Rb和Cs离子，将所述阳离子掺杂到所述钙钛矿中，生成五个单胞结构的结构空间，分别是：LiPbBr3、NaPbBr3、KPbBr3、RbPbBr3、CsPbBr3。
图3～图6是本申请中第一性原理计算参数调整示意图。
请参照图3～图6所示，针对上述阳离子掺杂的钙钛矿材料进行计算，包括：
输入五个所述单胞结构。具体的，本申请通过所述云服务器设置QuantumEspresso软件的结构优化图形化组件、静态计算图形化组件、能带计算图形化组件。将所述五个单胞结构输入到云服务器的Quantum Espresso软件中分别进行结构优化参数设置、静态计算参数设置和能带计算参数设置及态密度计算参数设置、弹性常数计算参数设置及光学性质计算参数设置。
结构优化，既结构优化图形化组件参数设置，所述基础参数设置是进行参数选择和调整，用于进行特定环境下的精确计算。具体的，所述参数设置是对每一个步骤模块进行参数设置和调整，包括：Quantum Espresso计算中的赝势、交换关联函、SCF迭代、K点数目、收敛精度等信息。
然后进行如图5和图6所示静态计算图形化组件计算参数的设置和能带计算图形化组件计算参数的设置。
具体的，所述筛选描述符是用于所述单胞结构筛选的，根据确定的筛选描述符，自组装设计高通量筛选QE高通量筛选工作流。通过拖拽或点击筛选描述符组件，和上述高通量建模组件，自组装图形化设计高通量QE筛选工作流。并进行相关参数设置。
完成上述设置启动并获取第一性原理计算结果。
实施例3：
本申请还提供一种云的高通量自动化第一性原理计算筛选系统，包括：创建单元201，参数单元202，流程单元203，设置单元204，计算单元205，结果单元206。
图7是本申请中云的高通量自动化第一性原理计算筛选系统的结构示意图，图8是本申请中云的高通量自动化第一性原理计算筛选系统的模块框架示意图。
请参照图7、8所示，创建单元201，用于创建Quantum Espresso计算模拟赝势库，创建Quantum Espresso第一性原理计算组件库，包括：Quantum Espresso结构优化图形化组件、静态计算图形化组件、能带计算图形化组件、态密度计算图形化组件、弹性常数计算图形化组件及光学性质计算图形化组件。
所述Quantum Espresso(第一性原理计算软件)是部署到云服务器中的，所述云服务器通过网页显示在用户端，而用户端通过所述网页进行操作，实现Quantum Espresso软件与用户的交互。根据用户的指令，所述Quantum Espresso软件使用云服务器的计算资源进行第一性原理计算。所述云服务器是提供计算资源的云端设备，该云服务器通过公有网络和/或私有网络与用户端连接，并根据所述用户端的指令执行计算任务。
所述第一性原理计算软件部署到云服务器中，并将所述第一性原理计算软件的各个第一性原理计算组件图形化为第一性原理计算图形化组件库，本申请中所述第一性原理计算图形化组件库包括：QuantumEspresso结构优化图形化组件、静态计算图形化组件、能带计算图形化组件、态密度计算图形化组件、弹性常数计算图形化组件及光学性质计算图形化组件。
在本申请中，将赝势文件进行了整合和封装创建QuantumEspresso赝势库，然后或者并行的创建第一性原理计算图形化组件库。
请参照图7、8所示，参数单元202，用于浏览器登录，调用高通量建模组件，通过Quantum Espresso图形化参数设置模块，进行建模参数设置，生成大量结构候选空间。
在完成所述QuantumEspresso赝势库的创建和第一性原理计算图形化组件库后，用户可通过用户端打开并登录相关网页进行下一步操作。具体的，可以调取高通量组件模型进行建模参数设置，为后续处理提供基础条件。
在本申请中，所述高通量建模组件也是图形化组件，其中已经提供了多个可配置参数选项，通过拖拽或者点选即可完成相关设置。优选的，调用MatCloud+高通量建模组件进行参数设置，生成大量的结构候选空间，所述结构候选空间是晶体分子结构的空间状态。
请参照图7、8所示，流程单元203，用于通过Quantum Espresso图形化流程组装与设计模块，鼠标拖拽或点击所述Quantum Espresso结构优化图形化组件、静态计算图形化组件、能带计算图形化组件、态密度计算图形化组件、弹性常数计算图形化组件及光学性质计算图形化组件，自组装形成高通量计算筛选流程。
上述已经创建了第一性原理计算图形化组件库，接下来将所述通过所述网页选择通过Quantum Espresso图形化流程组装与设计模块进行流程设计。
具体的选择、点击以及拖动各个所述图形化组件设置所述工作流，以实现高通量计算筛选流程的设置和修正。
请参照图7、8所示，设置单元204，用于通过Quantum Espresso图形化参数设置模块，对所述高通量计算筛选流程中的每个图形化组件进行参数设置，包括：通过QuantumEspresso图形化赝势选择模块，进行赝势设置；通过Quantum Espresso流程自组装模块，连接结构候选空间与所述高通量计算筛选流程；通过Quantum Espresso筛选描述符设置模块，根据所述结构候选空间确定筛选描述符。
所述Quantum Espresso高通量计算筛选流程的需要进行参数调整，本申请中将第一性原理计算软件中的参数进行分类，以有助于快速的进行参数调整。基于这些设置分别通过Quantum Espresso图形化赝势选择模块，进行赝势设置；通过Quantum Espresso流程自组装模块，连接结构候选空间与所述高通量计算筛选流程；通过Quantum Espresso筛选描述符设置模块，根据所述结构候选空间确定筛选描述符，这些设置将所述结构候选空间与高通量计算筛选流程向关联。其中还包括，从所述QuantumEspresso赝势库中选择赝势文件，以及通过Quantum Espresso筛选描述符设置模块，根据所述结构候选空间确定筛选描述符；
具体的，在进行所述第一性原理计算任务之前，确定计算目标，并根据所述计算目标设计高通量计算筛选流程，然后根据所述高通量计算筛选流程读取赝势文件。所述赝势就是在离子实的内部，用假想的势能取代真实的势能。求解波动方程时，若不改变其能量本征值和离子实之间区域的波函数，则这个假想的势能就叫做赝势。所述赝势文件就是记录这些势能数据的文件。
本申请中，用户在网页中可以一键读取完整的赝势文件添加到计算任务中，避免赝势文件缺失的不良结果产生。
S5计算单元205，用于启动Quantum Espresso高通量工作流引擎，执行和管控高通量计算筛选流程，包括：启动高通量建模组件、筛选描述符组件和高通量作业提交模块，根据所述高通量计算筛选流程和QuantumEspresso赝势库生成高通量计算作业并提交到高通量计算环境，同时启动Quantum Espresso高通量作业监控模块、高通量负载均衡模块、数据提取模块进行高通量计算和数据自动化提取。
启动工作流后，通过Quantum Espresso软件完成计算并生成计算结果，包括：启动MatCloud+高通量建模引擎、MatCloud+高通量建模组件、描述符组件和作业提交模块。
本申请中，所述第一性原理计算任务需要确定计算目标，所述计算目标值是指针对某项计算任务要获得的结果。在本申请中，所述计算目标包括：金属的材料费米面、电声耦合作用、超导性质等。具体的，每一个种类的计算目标，或者每一个不同的计算目标都具有相对应的计算流程，本申请中所述计算流程称为筛选工作流。本申请中根据第一性原理的计算步骤设置多个工作步骤模块；根据所述计算目标将所述工作步骤模块进行次序排列生成筛选工作流。
接下来，同时启动监控模块、负载均衡模块、Quantum Espresso数据提取模块进行计算，其中所述监控模块用于对计算过程的监控、负载均衡模块用于对计算任务进行线程分配、所述Quantum Espresso数据提取模块用于从计算结果中提取数据。
请参照图7、8所示，结果单元206，用于对数据提取结果启动Quantum Espresso数据分析模块进行数据分析，获得高通量计算筛选结果，通过数据库入库模块，并存储到数据库中。
完成参数设置，并启动工作流后，所述第一性原理计算软件将根据设置的参数进行计算得出计算结果。
所述计算结果发送到显示设备，根据预设显示模板在显示设备中显示。具体的所述计算结果是在结果处理页面显示的。
本申请所述结果数据将统一存储到物性数据库，使得高通量计算和筛选一旦结束，用户能直接可视化筛选结果。
Claims (10)
1.一种基于Quantum Espresso的云端高通量材料自动筛选方法，其特征在于，包括：
S1创建Quantum Espresso计算模拟QuantumEspresso赝势库，创建Quantum Espresso第一性原理计算组件库，包括：基于Quantum Espresso的结构优化图形化组件、静态计算图形化组件、能带计算图形化组件、态密度计算图形化组件、弹性常数计算图形化组件及光学性质计算图形化组件；
S2浏览器登录，调用高通量建模组件，通过Quantum Espresso图形化参数设置模块，进行建模参数设置，生成大量结构候选空间；
S3通过Quantum Espresso图形化流程组装与设计模块，鼠标拖拽或点击所述基于Quantum Espresso的结构优化图形化组件、静态计算图形化组件、能带计算图形化组件、态密度计算图形化组件、弹性常数计算图形化组件及光学性质计算图形化组件，自组装形成高通量计算筛选流程；
S4通过Quantum Espresso图形化参数设置模块，对所述高通量计算筛选流程中的每个图形化组件进行参数设置，包括：通过Quantum Espresso图形化赝势选择模块，进行赝势设置；通过Quantum Espresso流程自组装模块，连接结构候选空间与所述高通量计算筛选流程；通过Quantum Espresso筛选描述符设置模块，根据所述结构候选空间确定筛选描述符；
S5启动Quantum Espresso高通量工作流引擎，执行和管控Quantum Espresso高通量计算筛选流程，包括：启动高通量建模组件、筛选描述符组件和高通量作业提交模块，根据所述高通量计算筛选流程和赝势库生成Quantum Espresso高通量计算作业并提交到高通量计算环境，同时启动Quantum Espresso高通量作业监控模块、高通量负载均衡模块、数据提取模块进行Quantum Espresso高通量计算和数据自动化提取；
S6对数据提取结果启动数据分析模块进行数据分析，并进行自动化筛选，获得高通量计算筛选结果，通过数据库入库模块，并存储到数据库中。
2.根据权利要求1所述基于Quantum Espresso的云端高通量材料自动筛选方法，其特征在于，所述基于Quantum Espresso的高通量计算包括：材料费米面(金属)、电声耦合作用、超导性质。
3.根据权利要求1所述所述基于Quantum Espresso的云端高通量材料自动筛选方法，其特征在于，所述登录浏览器包括登入工作流组件页面、结果处理分析页面。
4.根据权利要求1所述所述基于Quantum Espresso的云端高通量材料自动筛选方法和系统，其特征在于，所述处理分析包括：提取包括电子结构性质、超导性质，力学性质关键物性提取。
5.根据权利要求1所述所述基于Quantum Espresso的云端高通量材料自动筛选方法，其特征在于，所述浏览器和所述Quantum Espresso通过互联网或者私有网络进行数据交换。
6.一种基于Quantum Espresso的云端高通量材料自动筛选系统，其特征在于，包括：
创建单元，用于创建Quantum Espresso计算模拟赝势库，创建Quantum Espresso第一性原理计算组件库，包括：结构优化图形化组件、静态计算图形化组件、能带计算图形化组件、态密度计算图形化组件、弹性常数计算图形化组件及光学性质计算图形化组件；
参数单元，用于浏览器登录，调用高通量建模组件，通过Quantum Espresso图形化参数设置模块，进行建模参数设置，生成大量结构候选空间；
流程单元，用于通过Quantum Espresso图形化流程组装与设计模块，鼠标拖拽或点击所述Quantum Espresso结构优化图形化组件、静态计算图形化组件、能带计算图形化组件、态密度计算图形化组件、弹性常数计算图形化组件及光学性质计算图形化组件，自组装形成高通量计算筛选流程；
设置单元，用于通过Quantum Espresso图形化参数设置模块，对所述高通量计算筛选流程中的每个图形化组件进行参数设置，包括：通过Quantum Espresso图形化赝势选择模块，进行赝势设置；通过Quantum Espresso流程自组装模块，连接结构候选空间与所述高通量计算筛选流程；通过Quantum Espresso筛选描述符设置模块，根据所述结构候选空间确定筛选描述符；
计算单元，用于启动Quantum Espresso高通量工作流引擎，执行和管控高通量计算筛选流程，包括：启动高通量建模组件、筛选描述符组件和高通量作业提交模块，根据所述高通量计算筛选流程和QuantumEspresso赝势库生成高通量计算作业并提交到高通量计算环境，同时启动Quantum Espresso高通量作业监控模块、高通量负载均衡模块、数据提取模块进行高通量计算和数据自动化提取；
结果单元，用于对数据提取结果启动数据分析模块进行数据分析，获得高通量计算筛选结果，通过数据库入库模块，并存储到数据库中。
7.根据权利要求6所述一种基于Quantum Espresso的云端高通量材料自动筛选系统，其特征在于，所述高通量计算包括：材料费米面(金属)、电声耦合作用、超导性质。
8.根据权利要求6所述一种云的高通量自动化第一性原理计算筛选系统，其特征在于，所述登录浏览器包括登入工作流组件页面、结果处理分析页面。
9.根据权利要求6所述一种云的高通量自动化第一性原理计算筛选系统，其特征在于，所述处理分析包括：提取包括电子结构性质、超导性质，力学性质关键物性提取。
10.根据权利要求6所述一种云的高通量自动化第一性原理计算筛选系统，其特征在于，所述浏览器和所述Quantum Espresso通过互联网或者私有网络进行数据交换。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111667589.7A CN114329674B (zh) | 2021-12-31 | 2021-12-31 | 基于Quantum Espresso的云端高通量材料自动筛选方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111667589.7A CN114329674B (zh) | 2021-12-31 | 2021-12-31 | 基于Quantum Espresso的云端高通量材料自动筛选方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114329674A true CN114329674A (zh) | 2022-04-12 |
| CN114329674B CN114329674B (zh) | 2024-05-03 |
Family
ID=81021924
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111667589.7A Active CN114329674B (zh) | 2021-12-31 | 2021-12-31 | 基于Quantum Espresso的云端高通量材料自动筛选方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114329674B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116909676A (zh) * | 2023-09-12 | 2023-10-20 | 中国科学技术大学 | 一种二分量第一性原理计算系统与服务方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108319807A (zh) * | 2018-01-05 | 2018-07-24 | 东北大学 | 一种掺杂式能源材料的高通量计算筛选方法 |
| CN109300510A (zh) * | 2018-09-19 | 2019-02-01 | 北京科技大学 | 一种基于高通量计算筛选金属有机骨架催化材料的方法 |
| JP2020166706A (ja) * | 2019-03-29 | 2020-10-08 | 株式会社クロスアビリティ | 結晶形予測装置、結晶形予測方法、ニューラルネットワークの製造方法、及びプログラム |
| CN112102887A (zh) * | 2020-09-02 | 2020-12-18 | 北京航空航天大学 | 多尺度集成可视化的高通量自动计算流程及数据智能系统 |
| CN113362914A (zh) * | 2021-05-18 | 2021-09-07 | 沈阳大学 | 一种稳定高效有机-无机杂化钙钛矿型光吸收材料的筛选方法 |
-
2021
- 2021-12-31 CN CN202111667589.7A patent/CN114329674B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108319807A (zh) * | 2018-01-05 | 2018-07-24 | 东北大学 | 一种掺杂式能源材料的高通量计算筛选方法 |
| CN109300510A (zh) * | 2018-09-19 | 2019-02-01 | 北京科技大学 | 一种基于高通量计算筛选金属有机骨架催化材料的方法 |
| JP2020166706A (ja) * | 2019-03-29 | 2020-10-08 | 株式会社クロスアビリティ | 結晶形予測装置、結晶形予測方法、ニューラルネットワークの製造方法、及びプログラム |
| CN112102887A (zh) * | 2020-09-02 | 2020-12-18 | 北京航空航天大学 | 多尺度集成可视化的高通量自动计算流程及数据智能系统 |
| CN113362914A (zh) * | 2021-05-18 | 2021-09-07 | 沈阳大学 | 一种稳定高效有机-无机杂化钙钛矿型光吸收材料的筛选方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116909676A (zh) * | 2023-09-12 | 2023-10-20 | 中国科学技术大学 | 一种二分量第一性原理计算系统与服务方法 |
| CN116909676B (zh) * | 2023-09-12 | 2024-02-23 | 中国科学技术大学 | 一种二分量第一性原理计算系统与服务方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114329674B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106033469B (zh) | 用于大数据的结构化查询的高效性能预测的方法和系统 | |
| Pancake et al. | Guest Editors' Introduction: Performance Evaluation Tools for Parallel and Distributed Systems | |
| CN108319807B (zh) | 一种掺杂式能源材料的高通量计算筛选方法 | |
| US11886776B2 (en) | Techniques for generating graph-based representations of complex mechanical assemblies | |
| McLennan et al. | HUBzero and Pegasus: integrating scientific workflows into science gateways | |
| CN116450486B (zh) | 多元异构计算系统内节点的建模方法、装置、设备及介质 | |
| Rabl et al. | Apache Flink in current research | |
| Shoaib et al. | Web application performance modeling using layered queueing networks | |
| WO2021162833A1 (en) | Process architecture modeling platform | |
| CN114329674B (zh) | 基于Quantum Espresso的云端高通量材料自动筛选方法和系统 | |
| KR20120055783A (ko) | 소음지도를 가시화하기 위한 클라우드 컴퓨팅 장치 및 방법 | |
| Casanova et al. | The virtual instrument: Support for grid-enabled mcell simulations | |
| Danovaro et al. | Setting up an hydro-meteo experiment in minutes: The drihm e-infrastructure for hm research | |
| Sanderson et al. | Coupling the uintah framework and the visit toolkit for parallel in situ data analysis and visualization and computational steering | |
| Karls et al. | The OpenKIM processing pipeline: A cloud-based automatic material property computation engine | |
| Fiore et al. | Distributed and cloud-based multi-model analytics experiments on large volumes of climate change data in the earth system grid federation eco-system | |
| Kurniawan et al. | Performance Evaluation for Deploying Dockerized Web Application on AWS, GCP, and Azure | |
| Wan et al. | A cloud-enabled collaborative hub for analysis of geospatial big data | |
| Płóciennik et al. | Two-level dynamic workflow orchestration in the INDIGO DataCloud for large-scale, climate change data analytics experiments | |
| Lau et al. | ADVISER+: Toward a usable web-based algorithm portfolio deviser | |
| Henning | Scalability benchmarking of cloud-native applications applied to event-driven microservices | |
| Al-Manasia et al. | An overview of chip multi-processors simulators technology | |
| Kumar | Cloud Simulator Search Framework The Vigilant Fetcher | |
| CN100517223C (zh) | 用于确定实验设计信息的系统和方法 | |
| Jourjon et al. | International Conference on Computational Science, ICCS 2011 LabWiki: An Executable Paper Platform for Experiment-based Research |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |