1. 引言aiidalab-qe-hp 是一个基于 AiiDAlab 框架的 Python 软件包用于高通量计算材料科学中的 Hubbard 参数U 值自动评估。它依托 AiiDA 工作流引擎将 Quantum ESPRESSOQE中的 HPHubbard Parameters计算模块封装为可视化、可交互的图形界面帮助科研人员快速、可复现地计算过渡金属氧化物等强关联材料体系的 Hubbard U 值。本文将从功能特性、安装方法、核心语法与参数配置、9 个实际应用案例以及常见错误与使用注意事项五个方面系统介绍 aiidalab-qe-hp 包的使用方法。2. 核心功能aiidalab-qe-hp 包的核心功能可以概括为以下六点图形化工作流基于 AiiDAlab 的 Web 界面无需编写复杂脚本即可配置和提交 HP 计算任务。自动化 U 值计算自动生成并管理多个线性响应计算DFPTHP通过自洽迭代获得 Hubbard U 参数。结构编辑与可视化内置晶体结构查看器支持导入、修改和可视化初始结构。计算参数管理提供伪势、K 点密度、截断能、收敛阈值等参数的图形化配置。结果分析与导出自动汇总 U 值结果支持导出为 JSON、CSV 等格式便于后续分析。可复现与共享所有计算过程自动记录在 AiiDA 数据库中支持工作流分享与复现。3. 安装方法aiidalab-qe-hp 的安装推荐使用 conda 环境以避免依赖冲突。以下是标准安装流程# 1. 创建并激活 conda 环境Python 3.9 conda create -n aiidalab-qe-hp python3.9 conda activate aiidalab-qe-hp 2. 安装 aiidalab 基础框架 pip install aiidalab 3. 安装 aiidalab-qe-hp 包 pip install aiidalab-qe-hp 4. 启动 AiiDAlab 服务 aiidalab launch安装完成后在浏览器中访问http://localhost:8888即可在 AiiDAlab 界面中看到 aiidalab-qe-hp 应用入口。如果需要从源码安装最新开发版可以使用以下命令git clone https://github.com/aiidalab/aiidalab-qe-hp.git cd aiidalab-qe-hp pip install -e .4. 核心语法与参数配置aiidalab-qe-hp 的底层计算由 Quantum ESPRESSO 的 HP 模块执行其核心输入参数可以通过 AiiDAlab 界面配置也可以在 Python 脚本中直接调用。以下是最常用的参数及其含义参数名类型默认值说明structureStructureData无目标晶体结构支持 CIF、POSCAR 等格式导入pseudopotentialsdict无各元素的赝势映射如 {O: O.pbe-n-kjpaw_psl.1.0.0.UPF}kpoints_distancefloat0.3K 点网格间距1/Å越小越密集ecutwfcfloat60.0平面波截断能Ryconv_thresholdfloat1e-6自洽迭代收敛阈值Ryhubbard_parameterslist[]需要计算 U 值的元素列表如 [Fe, Ni]nscf_occupationsstrsmearing占据数处理方法可选 smearing 或 fixedsmearingstrgaussian展宽类型可选 gaussian、mp、fermidegaussfloat0.01展宽宽度Rymax_iterationsint100HP 自洽迭代最大步数qe_versionstr6.8Quantum ESPRESSO 版本标识在 Python 脚本中可以通过以下方式直接调用 aiidalab-qe-hp 的核心工作流from aiidalab_qe_hp.workflows import HpWorkchain 构建输入参数 inputs { structure: structure_node, # AiiDA StructureData 节点 pseudopotentials: pseudo_dict, # 赝势映射字典 kpoints_distance: 0.25, ecutwfc: 70.0, conv_threshold: 1e-7, hubbard_parameters: [Fe, O], max_iterations: 150, } 提交工作流 workchain HpWorkchain(**inputs) workchain.submit()5. 9 个实际应用案例案例 1Fe₂O₃赤铁矿的 U 值计算赤铁矿是典型的强关联材料其 Hubbard U 值对电子结构描述至关重要。使用 aiidalab-qe-hp 计算 Fe 3d 轨道的 U 值步骤如下from aiidalab_qe_hp.workflows import HpWorkchain from aiida.orm import StructureData 导入 Fe2O3 结构CIF 格式 structure StructureData(asease_read(Fe2O3.cif)) 配置赝势 pseudos { Fe: Fe.pbe-spn-kjpaw_psl.1.0.0.UPF, O: O.pbe-n-kjpaw_psl.1.0.0.UPF, } 提交 HP 计算 inputs { structure: structure, pseudopotentials: pseudos, kpoints_distance: 0.2, ecutwfc: 80.0, hubbard_parameters: [Fe], } workchain HpWorkchain(**inputs) workchain.submit()计算完成后工作流会自动输出 Fe 3d 轨道的 Hubbard U 值通常结果在 4-5 eV 范围内与实验值吻合良好。案例 2NiO氧化镍的 U 值计算NiO 是 Mott 绝缘体的经典代表。通过 aiidalab-qe-hp 计算 Ni 3d 轨道的 U 值可以准确描述其带隙。关键参数配置如下inputs { structure: nio_structure, pseudopotentials: {Ni: Ni.pbe-n-rrkjus_psl.1.0.0.UPF, O: O.pbe-n-kjpaw_psl.1.0.0.UPF}, kpoints_distance: 0.25, ecutwfc: 70.0, hubbard_parameters: [Ni], nscf_occupations: smearing, smearing: gaussian, degauss: 0.02, }该案例中建议使用较密的 K 点网格0.2-0.25 1/Å以确保 U 值收敛。案例 3MnO氧化锰的 U 值计算MnO 的 U 值计算对磁性构型敏感。aiidalab-qe-hp 支持设置初始磁矩从而获得更准确的 U 值# 在结构中设置 Mn 原子的初始磁矩 for site in structure.sites: if site.kind_name Mn: site.set_attribute(magnetization, 5.0) inputs { structure: structure, pseudopotentials: {Mn: Mn.pbe-spn-kjpaw_psl.1.0.0.UPF, O: O.pbe-n-kjpaw_psl.1.0.0.UPF}, kpoints_distance: 0.25, ecutwfc: 75.0, hubbard_parameters: [Mn], max_iterations: 120, }案例 4Co₃O₄四氧化三钴的 U 值计算Co₃O₄ 包含 Co²⁺ 和 Co³⁺ 两种价态需要分别计算不同位点的 U 值。aiidalab-qe-hp 支持按 Wyckoff 位置区分 Hubbard 参数inputs { structure: co3o4_structure, pseudopotentials: {Co: Co.pbe-spn-kjpaw_psl.1.0.0.UPF, O: O.pbe-n-kjpaw_psl.1.0.0.UPF}, kpoints_distance: 0.2, ecutwfc: 80.0, hubbard_parameters: [Co], hubbard_sites: [8a, 16d], # 按 Wyckoff 位置区分 }案例 5La₂CuO₄镧铜氧的 U 值计算La₂CuO₄ 是高温超导材料的前驱体其 Cu 3d 轨道的 U 值对理解超导机制至关重要。计算时需要注意inputs { structure: la2cuo4_structure, pseudopotentials: {La: La.pbe-spn-kjpaw_psl.1.0.0.UPF, Cu: Cu.pbe-spn-kjpaw_psl.1.0.0.UPF, O: O.pbe-n-kjpaw_psl.1.0.0.UPF}, kpoints_distance: 0.15, # 更密的 K 点网格 ecutwfc: 90.0, hubbard_parameters: [Cu], conv_threshold: 1e-7, }案例 6CeO₂二氧化铈的 U 值计算CeO₂ 中 Ce 4f 电子的强关联效应显著U 值计算对氧空位形成能影响很大。推荐使用以下参数inputs { structure: ceo2_structure, pseudopotentials: {Ce: Ce.pbe-spn-kjpaw_psl.1.0.0.UPF, O: O.pbe-n-kjpaw_psl.1.0.0.UPF}, kpoints_distance: 0.25, ecutwfc: 70.0, hubbard_parameters: [Ce], nscf_occupations: fixed, # CeO2 为绝缘体使用固定占据 }案例 7V₂O₅五氧化二钒的 U 值计算V₂O₅ 是重要的催化剂材料其 V 3d 轨道的 U 值计算需要特别注意层状结构的 K 点采样inputs { structure: v2o5_structure, pseudopotentials: {V: V.pbe-spn-kjpaw_psl.1.0.0.UPF, O: O.pbe-n-kjpaw_psl.1.0.0.UPF}, kpoints_distance: 0.2, ecutwfc: 75.0, hubbard_parameters: [V], max_iterations: 150, }案例 8TiO₂二氧化钛锐钛矿相的 U 值计算TiO₂ 锐钛矿相是光催化领域的重要材料。计算 Ti 3d 轨道的 U 值时建议使用以下配置inputs { structure: tio2_anatase_structure, pseudopotentials: {Ti: Ti.pbe-spn-kjpaw_psl.1.0.0.UPF, O: O.pbe-n-kjpaw_psl.1.0.0.UPF}, kpoints_distance: 0.25, ecutwfc: 70.0, hubbard_parameters: [Ti], nscf_occupations: smearing, smearing: gaussian, degauss: 0.01, }案例 9批量扫描多种过渡金属氧化物的 U 值aiidalab-qe-hp 支持批量提交多个结构的 HP 计算适合高通量筛选。以下示例演示如何对 Fe₂O₃、NiO、MnO 三种材料批量计算 U 值from aiidalab_qe_hp.workflows import HpWorkchain structures { Fe2O3: fe2o3_structure, NiO: nio_structure, MnO: mno_structure, } pseudos_map { Fe2O3: {Fe: Fe.pbe-spn-kjpaw_psl.1.0.0.UPF, O: O.pbe-n-kjpaw_psl.1.0.0.UPF}, NiO: {Ni: Ni.pbe-n-rrkjus_psl.1.0.0.UPF, O: O.pbe-n-kjpaw_psl.1.0.0.UPF}, MnO: {Mn: Mn.pbe-spn-kjpaw_psl.1.0.0.UPF, O: O.pbe-n-kjpaw_psl.1.0.0.UPF}, } hubbard_elements { Fe2O3: [Fe], NiO: [Ni], MnO: [Mn], } 批量提交 for name, structure in structures.items(): inputs { structure: structure, pseudopotentials: pseudos_map[name], kpoints_distance: 0.25, ecutwfc: 75.0, hubbard_parameters: hubbard_elements[name], } workchain HpWorkchain(**inputs) workchain.submit() print(f已提交 {name} 的 HP 计算任务)6. 常见错误与使用注意事项6.1 常见错误错误类型错误信息解决方案赝势缺失Pseudopotential not found for element X检查赝势库路径确认 UPF 文件名与元素匹配结构不兼容Structure has no symmetry使用 ASE 或 pymatgen 重新构建标准晶胞K 点过密K-point grid too dense增大 kpoints_distance 参数如从 0.《动手学PyTorch建模与应用:从深度学习到大模型》是一本从零基础上手深度学习和大模型的PyTorch实战指南。全书共11章前6章涵盖深度学习基础包括张量运算、神经网络原理、数据预处理及卷积神经网络等后5章进阶探讨图像、文本、音频建模技术并结合Transformer架构解析大语言模型的开发实践。书中通过房价预测、图像分类等案例讲解模型构建方法每章附有动手练习题帮助读者巩固实战能力。内容兼顾数学原理与工程实现适配PyTorch框架最新技术发展趋势。 
长河君 · 2026/10/19 7:15:25 · 阅读 1.2k Python aiidalab-qe-hp 包详解与实战案例
1. 引言aiidalab-qe-hp 是一个基于 AiiDAlab 框架的 Python 软件包用于高通量计算材料科学中的 Hubbard 参数U 值自动评估。它依托 AiiDA 工作流引擎将 Quantum ESPRESSOQE中的 HPHubbard Parameters计算模块封装为可视化、可交互的图形界面帮助科研人员快速、可复现地计算过渡金属氧化物等强关联材料体系的 Hubbard U 值。本文将从功能特性、安装方法、核心语法与参数配置、9 个实际应用案例以及常见错误与使用注意事项五个方面系统介绍 aiidalab-qe-hp 包的使用方法。2. 核心功能aiidalab-qe-hp 包的核心功能可以概括为以下六点图形化工作流基于 AiiDAlab 的 Web 界面无需编写复杂脚本即可配置和提交 HP 计算任务。自动化 U 值计算自动生成并管理多个线性响应计算DFPTHP通过自洽迭代获得 Hubbard U 参数。结构编辑与可视化内置晶体结构查看器支持导入、修改和可视化初始结构。计算参数管理提供伪势、K 点密度、截断能、收敛阈值等参数的图形化配置。结果分析与导出自动汇总 U 值结果支持导出为 JSON、CSV 等格式便于后续分析。可复现与共享所有计算过程自动记录在 AiiDA 数据库中支持工作流分享与复现。3. 安装方法aiidalab-qe-hp 的安装推荐使用 conda 环境以避免依赖冲突。以下是标准安装流程# 1. 创建并激活 conda 环境Python 3.9 conda create -n aiidalab-qe-hp python3.9 conda activate aiidalab-qe-hp 2. 安装 aiidalab 基础框架 pip install aiidalab 3. 安装 aiidalab-qe-hp 包 pip install aiidalab-qe-hp 4. 启动 AiiDAlab 服务 aiidalab launch安装完成后在浏览器中访问http://localhost:8888即可在 AiiDAlab 界面中看到 aiidalab-qe-hp 应用入口。如果需要从源码安装最新开发版可以使用以下命令git clone https://github.com/aiidalab/aiidalab-qe-hp.git cd aiidalab-qe-hp pip install -e .4. 核心语法与参数配置aiidalab-qe-hp 的底层计算由 Quantum ESPRESSO 的 HP 模块执行其核心输入参数可以通过 AiiDAlab 界面配置也可以在 Python 脚本中直接调用。以下是最常用的参数及其含义参数名类型默认值说明structureStructureData无目标晶体结构支持 CIF、POSCAR 等格式导入pseudopotentialsdict无各元素的赝势映射如 {O: O.pbe-n-kjpaw_psl.1.0.0.UPF}kpoints_distancefloat0.3K 点网格间距1/Å越小越密集ecutwfcfloat60.0平面波截断能Ryconv_thresholdfloat1e-6自洽迭代收敛阈值Ryhubbard_parameterslist[]需要计算 U 值的元素列表如 [Fe, Ni]nscf_occupationsstrsmearing占据数处理方法可选 smearing 或 fixedsmearingstrgaussian展宽类型可选 gaussian、mp、fermidegaussfloat0.01展宽宽度Rymax_iterationsint100HP 自洽迭代最大步数qe_versionstr6.8Quantum ESPRESSO 版本标识在 Python 脚本中可以通过以下方式直接调用 aiidalab-qe-hp 的核心工作流from aiidalab_qe_hp.workflows import HpWorkchain 构建输入参数 inputs { structure: structure_node, # AiiDA StructureData 节点 pseudopotentials: pseudo_dict, # 赝势映射字典 kpoints_distance: 0.25, ecutwfc: 70.0, conv_threshold: 1e-7, hubbard_parameters: [Fe, O], max_iterations: 150, } 提交工作流 workchain HpWorkchain(**inputs) workchain.submit()5. 9 个实际应用案例案例 1Fe₂O₃赤铁矿的 U 值计算赤铁矿是典型的强关联材料其 Hubbard U 值对电子结构描述至关重要。使用 aiidalab-qe-hp 计算 Fe 3d 轨道的 U 值步骤如下from aiidalab_qe_hp.workflows import HpWorkchain from aiida.orm import StructureData 导入 Fe2O3 结构CIF 格式 structure StructureData(asease_read(Fe2O3.cif)) 配置赝势 pseudos { Fe: Fe.pbe-spn-kjpaw_psl.1.0.0.UPF, O: O.pbe-n-kjpaw_psl.1.0.0.UPF, } 提交 HP 计算 inputs { structure: structure, pseudopotentials: pseudos, kpoints_distance: 0.2, ecutwfc: 80.0, hubbard_parameters: [Fe], } workchain HpWorkchain(**inputs) workchain.submit()计算完成后工作流会自动输出 Fe 3d 轨道的 Hubbard U 值通常结果在 4-5 eV 范围内与实验值吻合良好。案例 2NiO氧化镍的 U 值计算NiO 是 Mott 绝缘体的经典代表。通过 aiidalab-qe-hp 计算 Ni 3d 轨道的 U 值可以准确描述其带隙。关键参数配置如下inputs { structure: nio_structure, pseudopotentials: {Ni: Ni.pbe-n-rrkjus_psl.1.0.0.UPF, O: O.pbe-n-kjpaw_psl.1.0.0.UPF}, kpoints_distance: 0.25, ecutwfc: 70.0, hubbard_parameters: [Ni], nscf_occupations: smearing, smearing: gaussian, degauss: 0.02, }该案例中建议使用较密的 K 点网格0.2-0.25 1/Å以确保 U 值收敛。案例 3MnO氧化锰的 U 值计算MnO 的 U 值计算对磁性构型敏感。aiidalab-qe-hp 支持设置初始磁矩从而获得更准确的 U 值# 在结构中设置 Mn 原子的初始磁矩 for site in structure.sites: if site.kind_name Mn: site.set_attribute(magnetization, 5.0) inputs { structure: structure, pseudopotentials: {Mn: Mn.pbe-spn-kjpaw_psl.1.0.0.UPF, O: O.pbe-n-kjpaw_psl.1.0.0.UPF}, kpoints_distance: 0.25, ecutwfc: 75.0, hubbard_parameters: [Mn], max_iterations: 120, }案例 4Co₃O₄四氧化三钴的 U 值计算Co₃O₄ 包含 Co²⁺ 和 Co³⁺ 两种价态需要分别计算不同位点的 U 值。aiidalab-qe-hp 支持按 Wyckoff 位置区分 Hubbard 参数inputs { structure: co3o4_structure, pseudopotentials: {Co: Co.pbe-spn-kjpaw_psl.1.0.0.UPF, O: O.pbe-n-kjpaw_psl.1.0.0.UPF}, kpoints_distance: 0.2, ecutwfc: 80.0, hubbard_parameters: [Co], hubbard_sites: [8a, 16d], # 按 Wyckoff 位置区分 }案例 5La₂CuO₄镧铜氧的 U 值计算La₂CuO₄ 是高温超导材料的前驱体其 Cu 3d 轨道的 U 值对理解超导机制至关重要。计算时需要注意inputs { structure: la2cuo4_structure, pseudopotentials: {La: La.pbe-spn-kjpaw_psl.1.0.0.UPF, Cu: Cu.pbe-spn-kjpaw_psl.1.0.0.UPF, O: O.pbe-n-kjpaw_psl.1.0.0.UPF}, kpoints_distance: 0.15, # 更密的 K 点网格 ecutwfc: 90.0, hubbard_parameters: [Cu], conv_threshold: 1e-7, }案例 6CeO₂二氧化铈的 U 值计算CeO₂ 中 Ce 4f 电子的强关联效应显著U 值计算对氧空位形成能影响很大。推荐使用以下参数inputs { structure: ceo2_structure, pseudopotentials: {Ce: Ce.pbe-spn-kjpaw_psl.1.0.0.UPF, O: O.pbe-n-kjpaw_psl.1.0.0.UPF}, kpoints_distance: 0.25, ecutwfc: 70.0, hubbard_parameters: [Ce], nscf_occupations: fixed, # CeO2 为绝缘体使用固定占据 }案例 7V₂O₅五氧化二钒的 U 值计算V₂O₅ 是重要的催化剂材料其 V 3d 轨道的 U 值计算需要特别注意层状结构的 K 点采样inputs { structure: v2o5_structure, pseudopotentials: {V: V.pbe-spn-kjpaw_psl.1.0.0.UPF, O: O.pbe-n-kjpaw_psl.1.0.0.UPF}, kpoints_distance: 0.2, ecutwfc: 75.0, hubbard_parameters: [V], max_iterations: 150, }案例 8TiO₂二氧化钛锐钛矿相的 U 值计算TiO₂ 锐钛矿相是光催化领域的重要材料。计算 Ti 3d 轨道的 U 值时建议使用以下配置inputs { structure: tio2_anatase_structure, pseudopotentials: {Ti: Ti.pbe-spn-kjpaw_psl.1.0.0.UPF, O: O.pbe-n-kjpaw_psl.1.0.0.UPF}, kpoints_distance: 0.25, ecutwfc: 70.0, hubbard_parameters: [Ti], nscf_occupations: smearing, smearing: gaussian, degauss: 0.01, }案例 9批量扫描多种过渡金属氧化物的 U 值aiidalab-qe-hp 支持批量提交多个结构的 HP 计算适合高通量筛选。以下示例演示如何对 Fe₂O₃、NiO、MnO 三种材料批量计算 U 值from aiidalab_qe_hp.workflows import HpWorkchain structures { Fe2O3: fe2o3_structure, NiO: nio_structure, MnO: mno_structure, } pseudos_map { Fe2O3: {Fe: Fe.pbe-spn-kjpaw_psl.1.0.0.UPF, O: O.pbe-n-kjpaw_psl.1.0.0.UPF}, NiO: {Ni: Ni.pbe-n-rrkjus_psl.1.0.0.UPF, O: O.pbe-n-kjpaw_psl.1.0.0.UPF}, MnO: {Mn: Mn.pbe-spn-kjpaw_psl.1.0.0.UPF, O: O.pbe-n-kjpaw_psl.1.0.0.UPF}, } hubbard_elements { Fe2O3: [Fe], NiO: [Ni], MnO: [Mn], } 批量提交 for name, structure in structures.items(): inputs { structure: structure, pseudopotentials: pseudos_map[name], kpoints_distance: 0.25, ecutwfc: 75.0, hubbard_parameters: hubbard_elements[name], } workchain HpWorkchain(**inputs) workchain.submit() print(f已提交 {name} 的 HP 计算任务)6. 常见错误与使用注意事项6.1 常见错误错误类型错误信息解决方案赝势缺失Pseudopotential not found for element X检查赝势库路径确认 UPF 文件名与元素匹配结构不兼容Structure has no symmetry使用 ASE 或 pymatgen 重新构建标准晶胞K 点过密K-point grid too dense增大 kpoints_distance 参数如从 0.《动手学PyTorch建模与应用:从深度学习到大模型》是一本从零基础上手深度学习和大模型的PyTorch实战指南。全书共11章前6章涵盖深度学习基础包括张量运算、神经网络原理、数据预处理及卷积神经网络等后5章进阶探讨图像、文本、音频建模技术并结合Transformer架构解析大语言模型的开发实践。书中通过房价预测、图像分类等案例讲解模型构建方法每章附有动手练习题帮助读者巩固实战能力。内容兼顾数学原理与工程实现适配PyTorch框架最新技术发展趋势。