Kenetsu Hanabusa

notes-migration

Research Note Ep0: LLZO + Li + ML-IAP + Allegro

Research Note Ep0: LLZO + Li + ML-IAP + Allegro このページは notes（MkDocs）版へ移行中です。 TL;DR LLZO短絡問題に対し、 QE × ML-IAP（Allegro/NequIP） × LAMMPS で「再現可能に回る」ワークフローを作る導入編です。 DeepMD系ワークフローを土台にしつつ、 E(3)等価 なモデル（Allegro）へ移行する理由と評価観点を整理します。 まずは 粒界（grain boundary）でのLi偏析・局在 を前駆現象として定量化し、後続で界面シナリオへ接続しま

By Kenetsu Hanabusa

notes-migration

H200 NVL: Li/LLZO DOS（Quantum ESPRESSO）

H200 NVL: Li/LLZO DOS（Quantum ESPRESSO） このページは notes（MkDocs）版へ移行中です。 TL;DR QEで SCF/NSCF → DOS を回す手順を、H200 NVL 前提で「再現できる形」に整理します。 GPU計算では 環境差（ドライバ/CUDA/ライブラリ） が効きやすいので、まずは最小の確認ポイントを押さえるのが近道です。 DOSは「計算が合っているか」の sanity check にも使えます（電子状態の差分が見える）。 このページで得られること QEでDOSを出す最小手順（何を揃えればOKか）

By Kenetsu Hanabusa

notes-migration

Ep2: QE GPU + Allegro training（H200 NVL）

Ep2: QE GPU + Allegro training（H200 NVL） このページは notes（MkDocs）版へ移行中です。 TL;DR H200 NVL 環境で QE（DFT）をGPU実行 し、得られたデータで Allegro/NequIP を学習 する流れを「再現できる形」に整理します。 つまずきやすいのは 環境差（ドライバ/ライブラリ/ビルド条件） と データ整形（学習フォーマット） です。ここでは最小の確認ポイントをまとめます。 「学習の反復を速く回す」なら 8GPU、「まず運用を固めて回す」なら 4GPU が合いやすい（最終は要件

By Kenetsu Hanabusa

notes-migration

Ep1: LLZO/Li interface（DFT + ML-IAP + Allegro）

Ep1: LLZO/Li interface（DFT + ML-IAP + Allegro） このページは notes（MkDocs）版へ移行中です。 TL;DR LLZO/Li 界面を題材に、 QE（DFT）→ 学習データ → Allegro/NequIP 学習 → 推論/AI-MD へ繋ぐ「界面編」です。 つまずきやすいのは 界面モデルの作り方（構造の整合） と 学習データのバランス（界面/バルク/欠陥など） です。 まずは「小さく完走する」最小構成を作り、必要に応じてサンプル数・バリエーションを増やします。 このページで得られること 界面（inte

By Kenetsu Hanabusa

notes-migration

H200 NVL: QE + DeepMD + LAMMPS（LLZO Li-ion path 3D）

H200 NVL: QE + DeepMD + LAMMPS（LLZO Li-ion path 3D） GPU計算で再現するLLZO 96原子 3×3×3 スーパーセル中のLi拡散経路 — Quantum ESPRESSO＋DeepMD＋LAMMPSによる3D可視化実測 — H200 NVL × QE / DeepMD / LAMMPS で、“DFT級の理解”を “MDスケールの現象”へ 追記（2025-12-13）｜方針更新 最終ゴール（LLZO短絡／デンドライト問題にAI‑MDで迫る）は維持しつつ、まず LLZO粒界×Li偏析（前駆現象） を優先して

By Kenetsu Hanabusa
See all