DIAMOND
Workflows
FR

Installation de aiida-diffusion-wf

Mode développement

À ce stade, le package n’est pas encore prêt en tant que plugin AiiDA, ni en tant que package pip, et ne peut être installé qu’à partir du dossier source :

git clone https://gricad-gitlab.univ-grenoble-alpes.fr/diamond/aiida/workflows/aiida-diffusion-wf.git
cd aiida-diffusion-wf

Créez un environnement Python avec python=3.11 (recommandé), activez-le puis installez les dépendances en mode éditable :

pip install -r requirements.txt
pip install -e .

Télécharger l’exécutable de LAMMPS

En principe, il est possible d’utiliser n’importe quel exécutable officiel de LAMMPS fourni par le canal officiel. Cependant, pour des raisons de reproductibilité, il est recommanédé de télécharger une version conteneurisée de LAMMPS avec la commande suivante :

apptainer pull lammps-2Apr2025_serial.sif oras://gricad-registry.univ-grenoble-alpes.fr/diamond/apptainer/apptainer-singularity-projects/lammps_serial.sif:test

Configuration d’AiiDA

Ce workflow utilise le moteur AiiDA, qui permet de soumettre des calculs sur des clusters HPC distants. Pour simplifier l’installation, nous recommandons d’utiliser la version conteneurisée de aiida-core. Cela peut être fait en suivant ce tutoriel sur le site DIAMOND.

Vous devez suivre toutes ces étapes pour pouvoir lancer les workflows fournis ici :

  1. Configurer un profil AiiDA
  2. Configurer un « computer » et le paramétrer
  3. Configurer un code et le paramétrer

Heureusement, cette étape n’est à faire qu’une seule fois !

Des exemples de fichiers de configuration sont fournis dans ce dépôt pour les computers (gestion du scheduler sur la machine distante et des protocoles de transfert) et les codes (gestion de l’exécution d’une version conteneurisée de LAMMPS sur la machine distante).

Par exemple, on peut travailler avec l’image aiida_raspa.sif disponible sur le site DIAMOND.

Exemple : Lancer un calcul RAW unique avec des paramètres prédéfinis

Dans cet exemple, le matériau est prédéfini en fournissant l’emplacement du fichier CIF contenant les coordonnées 3D : examples/structures/0000[Ag][sra]3[ASR]1. Le gaz adsorbé est un gaz monoatomique, le krypton , défini par le paramètre atom_symbol. Le workflow recherche automatiquement les paramètres de Lennard-Jones dans le champ de force UFF dans src/uff_non_bonded.py.

Tutoriel
  1. Créer un répertoire de travail dans lequel le script du workflow sera sauvegardé :
mkdir workdir_examples && cd workdir_examples
cp $PACKAGE_DIR/examples/workflows/run_raw_diffusion_Kr.py ./

Notez que la variable d’environnement $PACKAGE_DIR doit être définie comme le chemin racine du package cloné.

  1. Créer une instance de l’image aiida-core
apptainer instance start \
        --containall \
        --bind $PWD:$PWD \
        -B ~/.aiida:/.aiida \
        -B ~/.aiida/.ssh:$HOME/.ssh \
        -B ~/.aiida/postgres_run:/var/run/postgresql \
        -B ~/.aiida/rabbitmq/var/lib/rabbitmq:/var/lib/rabbitmq \
        -B ~/.aiida/rabbitmq/var/log:/var/log/rabbitmq \
        ~/apptainer-images/aiida_raspa.sif aiida

Remarque : vous devrez peut-être adapter les chemins de votre configuration AiiDA (pour relier la base de données AiiDA). Le programme aiida-core est déjà inclus dans l’image aiida_raspa.sif.

  1. Lancer une instance pour avoir accès aux commandes AiiDA ainsi qu’aux codes et computers prédéfinis
apptainer shell instance://aiida
  1. Activer l’environnement conda ou python
source $PACKAGE_DIR/aiida-diffusion-wf/bin/activate

Il faut adapter le chemin en fonction de l’endroit où l’environnement Python

Remarque : dans une implémentation future, nous empaqueterons l’ensemble du workflow dans une seule image Apptainer (au lieu d’utiliser aiida_raspa), de sorte que les bibliothèques puissent être directement importées à l’intérieur du conteneur.

  1. Définir le nom du code et le nom du computer dans le workflow
    Vous devrez modifier manuellement les variables profile_name, code_name, project_name dans le script Python :
nano-tiny run_raw_diffusion_Kr.py
  1. Lancer le workflow
python run_raw_diffusion_Kr.py

Selon que l’on souhaite lancer directement le workflow (pour des tests sur la machine locale) ou soumettre le calcul à un cluster HPC distant, il faudra modifier ces lignes à la fin du script Python :

# For local scheduler, the following line should be uncommented
#results, node = engine.run_get_node(builder)

# For remote scheduler, the following line should be uncommented
node = engine.submit(builder)

Pour voir l’état actuel du calcul, on peut utiliser les commandes suivantes :

verdi process list # tous les processus en cours
verdi process list -a # tous les processus
Visualiser la trajectoire MD

Le réseau hôte étant choisi rigide (pas de considération sur la flexibilité), le fichier de sortie de LAMMPS utilise ne fournit que les coordonnées des atomes de l’adsorbat, on peut souhaiter récupérer la trajectoire complète avec tous les atomes (hôte + adsorbat).

  1. D’abord, extraire le dépôt de données
verdi node show <pk_process> # identifier le pk du nœud retrieved
verdi node repo dump <pk_retrieved_node> repo_dump
cd repo_dump
  1. Puis, concaténer la trajectoire de l’adsorbat avec le framework rigide
python  $PACKAGE_DIR/src/aiida_diffusion_wf/merge_data_traj.py

Un fichier XYZ étendu contenant la trajectoire de tous les atomes ainsi que les informations de la maille est généré et peut être ouvert avec Ovito.

  1. Visualisation avec Ovito

diffusion ovito gif

Quelques étapes de la diffusion du krypton dans le MOF 0000[Ag][sra]3[ASR]1