🧭 阶段三学习目标（目标导向）

掌握使用 FireWorks、atomate2、custodian 构建高通量 VASP 任务工作流，具备批量任务调度与管理能力。

✅ 阶段三总体结构图

📌 1. FireWorks：工作流调度器

🔍 目标

• 理解 FireWorks 四大核心组件：
• LaunchPad：任务数据库（MongoDB）
• FireWork：单个任务
• Workflow：多个 FireWork 组合成的任务流
• FWorker：负责运行任务的机器

🎯 学习内容

• 安装与基本结构

• 使用 lpad 管理任务：

• 配置三个关键文件：
• FW_config.yaml
• my_launchpad.yaml
• my_qadapter.yaml

💡 推荐实践

• 用 ScriptTask 写一个 Hello World FireWork 并提交运行

⚙️ 2. atomate2：面向材料的自动工作流生成工具

🔍 目标

• 利用 atomate2.vasp 生成结构优化、能带、DOS、静态电荷等完整流程

🎯 学习内容

• 创建优化流程：

• 使用 Structure 类管理 POSCAR（来自 pymatgen）

• 自定义参数：INCAR、KPOINTS、POTCAR 设置

• 管理 FireTask、FireWork、Workflow 的组合与调度

💡 推荐实践

• 使用 structure = pymatgen.core.Structure.from_file("POSCAR") 读取结构

• 使用 lpad add 将 flow 写入数据库，rlaunch 提交

🛠 3. custodian：错误自动处理与重启工具

🔍 目标

• 保证 VASP 稳定运行，在出错（如电荷逃逸、SCF收敛失败）时自动修复并重启

🎯 学习内容

• 使用 VaspJob 加上多个 handler：

• 了解 VASP 的错误类型与 custodian 的修复机制

💡 推荐实践

• 手动引入错误（如故意不收敛）验证 custodian 自动修复

🧩 4. pymatgen：输入输出生成与结构管理

🔍 目标

• 自动化处理结构、晶体操作、VASP 输入文件

🎯 学习内容

• Structure, Lattice, MPRester, Molecule 等核心类

• 用 pymatgen 生成 VASP 输入：

💡 推荐实践

• 用 pymatgen 抓取 Materials Project 上的结构并创建输入

📤 5. my_qadapter.yaml + SLURM 队列提交

🎯 内容

• 配置 job 参数（walltime, nodes, qos 等）

• 设置 pre_rocket：

• 使用 rlaunch singleshot 提交单个任务，rapidfire 提交批量任务

🗃 6. 数据入库：MongoDB + LaunchPad

🎯 内容

• MongoDB 配置：my_launchpad.yaml

• 使用 VaspToDbTask 自动存入数据库

• 使用 lpad get_wflows -d 查看数据库内容

• 可用 db.fireworks.find() 查询结构、能带、能量等信息

🧪 实战练习建议

🧠 学习时间建议（总 2~3 周）

阶段三的动手练习任务清单（附代码模板）

✅ 阶段三动手练习任务清单（含模板）

🧱 练习任务 1：配置并测试 FireWorks 基础功能

🎯 目标：

📦 步骤：

1. 创建以下配置文件（或检查是否已设置）：
• FW_config.yaml
• my_launchpad.yaml（连接 MongoDB）
• my_fworker.yaml（定义本机资源）
• my_qadapter.yaml（定义队列设置）

2. 创建一个简单的 FireWork：

1. 提交运行：

⚙️ 练习任务 2：跑一个结构优化工作流（relaxation_flow）

🎯 目标：

📦 步骤：

1. 准备结构文件：

1. 创建工作流并添加至数据库：

1. 启动任务：

🛠 练习任务 3：引入 custodian 自动错误处理机制

🎯 目标：

📦 步骤：

1. 手动设置错误（如设置 NELM = 5 让 VASP 不收敛）。

2. 检查 atomate2.vasp.run.RunVaspTask 的 use_custodian=True 是否启用。

3. 观察：
• custodian.json 是否生成？
• 是否自动重启？

📤 练习任务 4：配置 SLURM 队列系统（qadapter）

🎯 目标：

📦 步骤：

1. 编辑 my_qadapter.yaml：

1. 启动任务：

🗃 练习任务 5：从数据库中提取计算结果并分析

🎯 目标：

📦 步骤：

1. 查看计算任务：

1. Python 中提取结构优化后的数据：

1. 分析能量、体积、带隙等信息

📊 练习任务 6：批量结构优化 + 对比体积变化

🎯 目标：

📦 步骤：

1. 准备多个结构（CIF 或 POSCAR）

2. 写循环生成 workflow：

1. 提交任务，后续使用 MongoDB 查询优化前后体积比较。

🧠 附加建议：项目实战方向

📅 推荐时间安排（共 2~3 周）