surface-construct 0.12__tar.gz → 0.12.2__tar.gz

{surface_construct-0.12/surface_construct.egg-info → surface_construct-0.12.2}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: surface_construct
-Version: 0.12
+Version: 0.12.2
 Summary: Surface construction and surface reaction sampling tools.
 Home-page: https://gitee.com/pjren/surface_construct/
 Author: ren
@@ -32,7 +32,9 @@ Dynamic: summary
 
 催化剂构效关系是建立表面位点结构和反应过程势能面的关联关系，这依赖对表面上各种可能位点的充分分析和采样，找到这些位点对关键反应步骤的影响情况。从催化剂的角度看，研究的目标是从表面上存在的位点中找到表面最适合反应的位点，即使反应势能面最低的位点；从反应的角度看，研究目标是对于一系列反应通道，找到反应势能面上的卡点，找到能够突破卡点的催化环境。
 
-本软件同时进行表面位点的构建、采样、计算、分析，和反应过程的分析采样，即过渡态和分子构象，由此可以实现分子在表面反应的全过程采样。其中的技术关键是采样的效率，我们针对性地使用综合使用了多样化的采样策略，保证表面各类型位点和关键位点的充分采样。
+本软件同时进行表面位点的构建、采样、计算、分析，和反应过程的分析采样，即过渡态和分子构象，由此可以实现分子在表面反应的全过程采样。不仅包括平板模型的表面，还包括分子筛孔道內、团簇表面等。
+
+表面反应过程采样的技术关键是采样的效率，我们针对性地使用综合使用了多样化的采样策略，保证表面各类型位点和关键位点的充分采样。
 
 ### 应用场景
 * 催化剂表面最可能反应位点采样
@@ -41,15 +43,17 @@ Dynamic: summary
   * 优化 C、R、Z （z方向，距离表面的距离）空间，固定COM
   * 返回所采结构中最低能量和对应的结构和能量
   
-* 催化剂表面全势能面采样
+* 催化剂表面全势能面采样（位点、分子构象、旋转）
   * 适用于催化剂位点全局考察
   * 适用于表面分子全局的构象和姿态
   * 适用于反应全过程采样
   * 不优化，或者仅优化Z空间
   * 返回全部能量和结构，以及全局的fitting结果
   * 使用能量截断（dEmax<2eV）
+* 原子力显微镜（AFM）谱图模拟
+* 分子筛孔道內分子构象采样
+
 
-<img src="docs/birds_view.png" alt="表面位点全局分析" style="zoom:50%;" />
 
 ## 程序流程图  Program Workflow
 
@@ -96,24 +100,6 @@ Dynamic: summary
 * MDMin
 * FIRE
 
-各种优化算法的对比，参考[链接](https://wiki.fysik.dtu.dk/gpaw/devel/ase_optimize/ase_optimize.html)
-
-**使用方法**
-
-修改 `surface_reaction_sample.py` 其中的一行 
-
-```
-from ase.optimize import BFGS
-```
-
-改为
-
-```
-from ase.optimize import XXX as BFGS
-```
-
-注意：目前这只是权宜之计，后面会把相应的设置加入到 `parameter.py`
-
 ### Gaussian Process Regression 方法
 
 高斯过程回归 GPR 的优点：
@@ -166,6 +152,8 @@ $$
   * v 0.9.2: debug 支持三斜晶系的表面格点化
   * v 0.9.3: debug GridGenerator
 * v 0.10: 表面终结生成完整并入
+* v0.11：分子构象和旋转采样
+* v0.12：AFM 模拟
 
 **TODO**
 
@@ -174,13 +162,16 @@ $$
 * Low-Energy Region Explorer 方法借鉴[^LoreX]: 划分能量区域， 进行 Delaunay 划分，合并较小的区域为较大的区域。然后针对低能的区域进行额外采样。也可以适用不同的方法，低精度进行低能高能区域识别，然后高精度方法加强。
 * 表面格点使用对称性进行降维。在最初期就引入对称性。参考 adsorbate rotation 思路
 * 表面位点数据库
-* 多原子体系（内坐标受限体系）
+* 覆盖度问题
+  * 表面上每增加一个吸附分子，就更新一次格点（可以仅仅更新 vip points，或者dock points）
+  * 表面上新增 dock points 属性，根据吸附能、位点类型或者用户进行定义。默认是所有的位点，根据能量分析或者用户更新
+  * sg 增加 del_grid(indices), 删除对应的 points， vectors，Dga 等等
 * 完善用户界面、例子、教程
 
 
 ## Reference
 
-[^Duvenaud]: [The Kernel Cookbook: Advice on Covariance functions](https://www.cs.toronto.edu/~duvenaud/)]
+[^Duvenaud]: [The Kernel Cookbook: Advice on Covariance functions](https://www.cs.toronto.edu/~duvenaud/)
 [^BASC]: Shane Carr, Roman Garnett, Cynthia LoBASC: Applying Bayesian Optimization to the Search for Global Minima on Potential Energy Surfaces.
 
 [^向量空间转化]: 计算实空间和向量空间的相邻格点距离的映射系数，根据此系数将实空间的距离转化为向量空间距离。

{surface_construct-0.12 → surface_construct-0.12.2}/README.md

@@ -2,7 +2,9 @@
 
 催化剂构效关系是建立表面位点结构和反应过程势能面的关联关系，这依赖对表面上各种可能位点的充分分析和采样，找到这些位点对关键反应步骤的影响情况。从催化剂的角度看，研究的目标是从表面上存在的位点中找到表面最适合反应的位点，即使反应势能面最低的位点；从反应的角度看，研究目标是对于一系列反应通道，找到反应势能面上的卡点，找到能够突破卡点的催化环境。
 
-本软件同时进行表面位点的构建、采样、计算、分析，和反应过程的分析采样，即过渡态和分子构象，由此可以实现分子在表面反应的全过程采样。其中的技术关键是采样的效率，我们针对性地使用综合使用了多样化的采样策略，保证表面各类型位点和关键位点的充分采样。
+本软件同时进行表面位点的构建、采样、计算、分析，和反应过程的分析采样，即过渡态和分子构象，由此可以实现分子在表面反应的全过程采样。不仅包括平板模型的表面，还包括分子筛孔道內、团簇表面等。
+
+表面反应过程采样的技术关键是采样的效率，我们针对性地使用综合使用了多样化的采样策略，保证表面各类型位点和关键位点的充分采样。
 
 ### 应用场景
 * 催化剂表面最可能反应位点采样
@@ -11,15 +13,17 @@
   * 优化 C、R、Z （z方向，距离表面的距离）空间，固定COM
   * 返回所采结构中最低能量和对应的结构和能量
   
-* 催化剂表面全势能面采样
+* 催化剂表面全势能面采样（位点、分子构象、旋转）
   * 适用于催化剂位点全局考察
   * 适用于表面分子全局的构象和姿态
   * 适用于反应全过程采样
   * 不优化，或者仅优化Z空间
   * 返回全部能量和结构，以及全局的fitting结果
   * 使用能量截断（dEmax<2eV）
+* 原子力显微镜（AFM）谱图模拟
+* 分子筛孔道內分子构象采样
+
 
-<img src="docs/birds_view.png" alt="表面位点全局分析" style="zoom:50%;" />
 
 ## 程序流程图  Program Workflow
 
@@ -66,24 +70,6 @@
 * MDMin
 * FIRE
 
-各种优化算法的对比，参考[链接](https://wiki.fysik.dtu.dk/gpaw/devel/ase_optimize/ase_optimize.html)
-
-**使用方法**
-
-修改 `surface_reaction_sample.py` 其中的一行 
-
-```
-from ase.optimize import BFGS
-```
-
-改为
-
-```
-from ase.optimize import XXX as BFGS
-```
-
-注意：目前这只是权宜之计，后面会把相应的设置加入到 `parameter.py`
-
 ### Gaussian Process Regression 方法
 
 高斯过程回归 GPR 的优点：
@@ -136,6 +122,8 @@ $$
   * v 0.9.2: debug 支持三斜晶系的表面格点化
   * v 0.9.3: debug GridGenerator
 * v 0.10: 表面终结生成完整并入
+* v0.11：分子构象和旋转采样
+* v0.12：AFM 模拟
 
 **TODO**
 
@@ -144,13 +132,16 @@ $$
 * Low-Energy Region Explorer 方法借鉴[^LoreX]: 划分能量区域， 进行 Delaunay 划分，合并较小的区域为较大的区域。然后针对低能的区域进行额外采样。也可以适用不同的方法，低精度进行低能高能区域识别，然后高精度方法加强。
 * 表面格点使用对称性进行降维。在最初期就引入对称性。参考 adsorbate rotation 思路
 * 表面位点数据库
-* 多原子体系（内坐标受限体系）
+* 覆盖度问题
+  * 表面上每增加一个吸附分子，就更新一次格点（可以仅仅更新 vip points，或者dock points）
+  * 表面上新增 dock points 属性，根据吸附能、位点类型或者用户进行定义。默认是所有的位点，根据能量分析或者用户更新
+  * sg 增加 del_grid(indices), 删除对应的 points， vectors，Dga 等等
 * 完善用户界面、例子、教程
 
 
 ## Reference
 
-[^Duvenaud]: [The Kernel Cookbook: Advice on Covariance functions](https://www.cs.toronto.edu/~duvenaud/)]
+[^Duvenaud]: [The Kernel Cookbook: Advice on Covariance functions](https://www.cs.toronto.edu/~duvenaud/)
 [^BASC]: Shane Carr, Roman Garnett, Cynthia LoBASC: Applying Bayesian Optimization to the Search for Global Minima on Potential Energy Surfaces.
 
 [^向量空间转化]: 计算实空间和向量空间的相邻格点距离的映射系数，根据此系数将实空间的距离转化为向量空间距离。

{surface_construct-0.12 → surface_construct-0.12.2}/setup.py

@@ -15,7 +15,7 @@ install_requires = [
 
 setup(
     name='surface_construct',
-    version='0.12',
+    version='0.12.2',
     packages=find_packages(),
     url='https://gitee.com/pjren/surface_construct/',
     license='GPL',

{surface_construct-0.12 → surface_construct-0.12.2}/surface_construct/structures/surface_grid.py

@@ -98,11 +98,12 @@ class MLATVectorGen:
             index_array = grid_dist.argsort(axis=-1)
             grid_dist = np.take_along_axis(grid_dist, index_array, axis=-1)
             # 设定距离向量长度
-            vlen = self.vlen
             r0 = self.kwargs.get('r0_dict')[atomnum]  # r0_dict 是一个字典，放着 r0 值
-            v = grid_dist[:, :vlen]
             kwargs.update({'r0': r0})
-            v_w = self.weight_func(v, **kwargs)
+            vlen = min(self.vlen,grid_dist.shape[-1])
+            rt = grid_dist[:, :vlen]
+            v_w = np.zeros((grid_dist.shape[0],self.vlen))
+            v_w[:,:vlen] = self.weight_func(rt, **kwargs)
             vector.append(v_w)
         vector = np.concatenate(vector, axis=1)
         return vector
@@ -1142,45 +1143,23 @@ def combine_sg_vector(*sg_lst):
     elif len(sg_lst) == 1:
         return sg_lst[0]._raw_vector
 
-    species_num_lst = sorted(set([s[0] for sg in sg_lst for s in sg.species]))
-    species_default_dct = {num: 0 for num in species_num_lst}
-    species_lsts = []
-    vlen_max = species_default_dct.copy()
+    species_lst = sorted({s[0] for sg in sg_lst for s in sg.species})
+    vlen = max([sg.vlen for sg in sg_lst])
+    vectors_lst = []
     for sg in sg_lst:
-        species_dct = species_default_dct.copy()
-        species_dct.update({num: min(sg.vlen, cnt) for num, cnt in sg.species})
-        # 对 species_dcts 中的元素进行排序
-        species_lst = sorted(species_dct.items(), key=lambda x: x[0])
-        species_lsts.append(species_lst)
-        vlen_max = {num: max(vlen_max[num], vlen) for num, vlen in species_dct.items()}  # 更新向量最大值
-    # 对 vlen_max 进行排序
-
-    new_vector_lst = []
-    for sg, species_lst in zip(sg_lst, species_lsts):
-        # 提取 raw_vector, 对不足的 vector 进行补齐
-        raw_vector = sg._raw_vector
-        nvector = len(raw_vector)  # 总行数
-        pointer = 0  # 列指针
-        new_vector = []
-        for num, cnt in species_lst:
-            new_vlen = vlen_max[num]
-            new_v = np.zeros([nvector, new_vlen])
-            new_v += 1.0 * raw_vector.min()  # 超过截断的使用最小值的三分之二，从而减小不同表面之间的结构差异
-            # 判断长度是不是 0
-            if cnt == 0:
-                new_vector.append(new_v)
-                continue
-            # 取出对应的 vector 列
-            old_v = raw_vector[:, pointer:pointer+cnt]
-            # 判断是不是要补齐
-            if cnt == new_vlen:
-                new_vector.append(old_v)
-            else:
-                new_v[:, :cnt] = old_v
-                new_vector.append(new_v)
-            pointer += cnt
-        new_vector = np.concatenate(new_vector, axis=1)
-        new_vector_lst.append(new_vector)
-    vector_combine = np.concatenate(new_vector_lst, axis=0)
+        sp0 = [s[0] for s in sg.species]  # 所有的物种
+        if species_lst == sp0 and sg.vlen==vlen:  #如果元素相同，vlen相同，直接合并
+            vectors_lst.append(sg._raw_vector)
+        else:  # 如果元素或者vlen不同，都要重新定义 vector
+            vector = np.zeros((len(sg.vector), vlen*len(species_lst)))
+            for old_idx, atomnum in enumerate(sp0):
+                new_idx = species_lst.index(atomnum)
+                idx_up = new_idx*vlen
+                idx_down = idx_up + sg.vlen
+                old_idx_up, old_idx_down = old_idx*sg.vlen, (old_idx+1)*sg.vlen
+                vector[:, idx_up:idx_down] = sg._raw_vector[:, old_idx_up:old_idx_down]
+                vectors_lst.append(vector)
+
+    vector_combine = np.concatenate(vectors_lst, axis=0)
 
     return vector_combine

{surface_construct-0.12 → surface_construct-0.12.2/surface_construct.egg-info}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: surface_construct
-Version: 0.12
+Version: 0.12.2
 Summary: Surface construction and surface reaction sampling tools.
 Home-page: https://gitee.com/pjren/surface_construct/
 Author: ren
@@ -32,7 +32,9 @@ Dynamic: summary
 
 催化剂构效关系是建立表面位点结构和反应过程势能面的关联关系，这依赖对表面上各种可能位点的充分分析和采样，找到这些位点对关键反应步骤的影响情况。从催化剂的角度看，研究的目标是从表面上存在的位点中找到表面最适合反应的位点，即使反应势能面最低的位点；从反应的角度看，研究目标是对于一系列反应通道，找到反应势能面上的卡点，找到能够突破卡点的催化环境。
 
-本软件同时进行表面位点的构建、采样、计算、分析，和反应过程的分析采样，即过渡态和分子构象，由此可以实现分子在表面反应的全过程采样。其中的技术关键是采样的效率，我们针对性地使用综合使用了多样化的采样策略，保证表面各类型位点和关键位点的充分采样。
+本软件同时进行表面位点的构建、采样、计算、分析，和反应过程的分析采样，即过渡态和分子构象，由此可以实现分子在表面反应的全过程采样。不仅包括平板模型的表面，还包括分子筛孔道內、团簇表面等。
+
+表面反应过程采样的技术关键是采样的效率，我们针对性地使用综合使用了多样化的采样策略，保证表面各类型位点和关键位点的充分采样。
 
 ### 应用场景
 * 催化剂表面最可能反应位点采样
@@ -41,15 +43,17 @@ Dynamic: summary
   * 优化 C、R、Z （z方向，距离表面的距离）空间，固定COM
   * 返回所采结构中最低能量和对应的结构和能量
   
-* 催化剂表面全势能面采样
+* 催化剂表面全势能面采样（位点、分子构象、旋转）
   * 适用于催化剂位点全局考察
   * 适用于表面分子全局的构象和姿态
   * 适用于反应全过程采样
   * 不优化，或者仅优化Z空间
   * 返回全部能量和结构，以及全局的fitting结果
   * 使用能量截断（dEmax<2eV）
+* 原子力显微镜（AFM）谱图模拟
+* 分子筛孔道內分子构象采样
+
 
-<img src="docs/birds_view.png" alt="表面位点全局分析" style="zoom:50%;" />
 
 ## 程序流程图  Program Workflow
 
@@ -96,24 +100,6 @@ Dynamic: summary
 * MDMin
 * FIRE
 
-各种优化算法的对比，参考[链接](https://wiki.fysik.dtu.dk/gpaw/devel/ase_optimize/ase_optimize.html)
-
-**使用方法**
-
-修改 `surface_reaction_sample.py` 其中的一行 
-
-```
-from ase.optimize import BFGS
-```
-
-改为
-
-```
-from ase.optimize import XXX as BFGS
-```
-
-注意：目前这只是权宜之计，后面会把相应的设置加入到 `parameter.py`
-
 ### Gaussian Process Regression 方法
 
 高斯过程回归 GPR 的优点：
@@ -166,6 +152,8 @@ $$
   * v 0.9.2: debug 支持三斜晶系的表面格点化
   * v 0.9.3: debug GridGenerator
 * v 0.10: 表面终结生成完整并入
+* v0.11：分子构象和旋转采样
+* v0.12：AFM 模拟
 
 **TODO**
 
@@ -174,13 +162,16 @@ $$
 * Low-Energy Region Explorer 方法借鉴[^LoreX]: 划分能量区域， 进行 Delaunay 划分，合并较小的区域为较大的区域。然后针对低能的区域进行额外采样。也可以适用不同的方法，低精度进行低能高能区域识别，然后高精度方法加强。
 * 表面格点使用对称性进行降维。在最初期就引入对称性。参考 adsorbate rotation 思路
 * 表面位点数据库
-* 多原子体系（内坐标受限体系）
+* 覆盖度问题
+  * 表面上每增加一个吸附分子，就更新一次格点（可以仅仅更新 vip points，或者dock points）
+  * 表面上新增 dock points 属性，根据吸附能、位点类型或者用户进行定义。默认是所有的位点，根据能量分析或者用户更新
+  * sg 增加 del_grid(indices), 删除对应的 points， vectors，Dga 等等
 * 完善用户界面、例子、教程
 
 
 ## Reference
 
-[^Duvenaud]: [The Kernel Cookbook: Advice on Covariance functions](https://www.cs.toronto.edu/~duvenaud/)]
+[^Duvenaud]: [The Kernel Cookbook: Advice on Covariance functions](https://www.cs.toronto.edu/~duvenaud/)
 [^BASC]: Shane Carr, Roman Garnett, Cynthia LoBASC: Applying Bayesian Optimization to the Search for Global Minima on Potential Energy Surfaces.
 
 [^向量空间转化]: 计算实空间和向量空间的相邻格点距离的映射系数，根据此系数将实空间的距离转化为向量空间距离。

{surface_construct-0.12 → surface_construct-0.12.2}/tests/test_surface_grid.py

@@ -6,6 +6,8 @@ import ase
 from surface_construct import GridGenerator
 from ase.cluster.cubic import FaceCenteredCubic
 from surface_construct import SurfaceGrid
+from surface_construct.structures.surface_grid import combine_sg_vector
+
 
 class TestSurfaceGrid:
     def test_Cu_cluster(self):
@@ -118,4 +120,28 @@ class TestSurfaceGrid:
         atoms = ase.io.read('atoms_files/Fe28C12_115_12_POSCAR')
         sg_obj = SurfaceGrid(atoms, interval=0.1, ads_num=6, lpca=False)
         sg_obj.gridize(subtype='slab')
-        print(sg_obj.points.shape)
+        print(sg_obj.points.shape)
+
+    def test_ads_C4H4O(self):
+        atoms = ase.io.read('atoms_files/C4H4O_Cu.vasp')
+        sg_obj = SurfaceGrid(atoms, interval=0.2, ads_num=6, lpca=False)
+        sg_obj.gridize(subtype='slab')
+        sg_obj.vectorize()
+        assert sg_obj.vector.shape==(6582, 40)
+
+    def test_sg_combiner(self):
+        atoms1 = ase.io.read('atoms_files/C4H4O_Cu.vasp')
+        sg_obj1 = SurfaceGrid(atoms1, interval=0.2, ads_num=6, lpca=False)
+        sg_obj1.gridize(subtype='slab')
+        sg_obj1.vectorize()
+        assert sg_obj1.vector.shape[1] == 40
+
+        atoms2 = ase.io.read('atoms_files/Fe28C12_115_12_POSCAR')
+        sg_obj2 = SurfaceGrid(atoms2, interval=0.2, ads_num=6, lpca=False, vlen=15)
+        sg_obj2.gridize(subtype='slab')
+        sg_obj2.vectorize()
+
+        assert sg_obj2.vector.shape[1] == 30
+
+        comb_vector = combine_sg_vector(sg_obj1, sg_obj2)
+        assert comb_vector.shape[1] == 75