Update README.md

README.md

-# DeePKS-kit
+# DeePKS-kit(Deep Kohn-Sham)
 
 # 模型介绍
-DeePKS-kit是一个为量子化学系统生成精确能量泛函的程序
+DeePKS-kit是一个为量子化学系统生成精确能量泛函的程序，DeePKS通过机器学习对于低精度的DFT泛函进行优化，利用神经网络修正项去学习基线泛函（低精度、低成本）与目标第一性原理方法（高精度、高成本）计算得出的能量与力的差值。
 
 # 模型结构
 
-DeePKS-kit架构和工作流程的示意图[1]。上图：整个迭代学习过程的主要步骤。左下：神经网络（NN）能量泛数的训练。描述符由给定的分子轨道计算出来，并用作神经网络模型的输入。使用PyTorch库实现了随机梯度体面（SGD）训练。右下：求解广义的Kohn-Sham自洽场（自洽场）方程。XC电位是根据训练后的神经网络函数计算出来的。该求解器被实现为PySCF库的一个新类。
+DeePKS-kit一端与PyTorch接口，另一端与PySCF接口，PySCF是一个从头算计算化学程序，为量子化学代码开发和计算提供了一个简单、轻量级、高效的平台。DeePKS-kit支持作者之前开发的DeePHF和DeePKS方法。此外，它还提供了一定的灵活性，例如，修改模型结构，改变训练方案，接口其他量子化学包等。DeePKS-kit由三个主要模块组成，处理以下任务:(1)使用预先计算的描述符和标签训练(微扰)神经网络(NN)能量函数;(2)利用所提供的能量泛函求解给定系统的自洽场方程;(3)通过迭代调用任务(1)和(2)来学习自一致的能量函数。
 
-The program provides a command line interface `deepks` that contains five sub-commands, 
-- `train`: train an neural network based post-HF energy functional model
-- `test`: test the post-HF model with given data and show statistics
-- `scf`: run self-consistent field calculation with given energy model
-- `stats`: collect and print statistics of the SCF the results
-- `iterate`: iteratively train an self-consistent model by combining four commands above
+![](./assets/deepks-kit.png)
 
-# 数据集
+DeePKS-kit架构示意图及工作流程如上图，上图说明了整个迭代学习过程的主要步骤。其中，左下是神经网络(NN)能量函数的训练。描述符从给定的分子轨道计算，并用作神经网络模型的输入。随机梯度下降(SGD)训练是使用PyTorch库实现的。右下是求解广义Kohn-Sham自洽场(SCF)方程。从训练好的神经网络泛函中计算XC电位。求解器是作为PySCF库的一个新类实现的。DeePKS-kit还提供了一个用户友好的界面，将上述模块与一些辅助功能组合成一个命令行工具。其中包含五个子命令： 
+- `train`: 训练基于神经网络的后高频能量泛函模型
+- `test`: 使用给定数据测试后高频模型并显示统计数据
+- `scf`: 使用给定的能量模型运行自洽场计算
+- `stats`: 收集和打印云函数的统计结果
+- `iterate`: 通过组合上面的四个命令来迭代训练自洽模型
 
-## Installation
+## 环境配置
+
+
+## 性能和准确率数据
+
+DCU测试平台：Z100
+NVIDIA测试平台：A800
+
+**1)收敛性测试**
+Deepks的输出结果文件为test.out文件，默认运行的epoch数为10000，从左到右输出的指标分别是训练步骤、训练损失、验证损失、学习率、训练时间、验证时间。其中截取了最后的epoch部分的数值，其中看DCU和A800最后的结果基本一致。
+[DCU文件信息]
+![](./assets/deepks-1.png)
+![](./assets/deepks-2.png)
+![](./assets/deepks-3.png)
+![](./assets/deepks-4.png)
+[A800的文件输出信息]
+![](./assets/deepks-5.png)
+![](./assets/deepks-6.png)
+![](./assets/deepks-7.png)
+![](./assets/deepks-8.png)
+
+整体收敛趋势如下图所示，依次为DCU和GPU。
+![](./assets/deepks-9.png)
+![](./assets/deepks-10.png)
+
+预测值与实际值对照如下，依次为DCU和GPU。
+![](./assets/deepks-11.png)
+![](./assets/deepks-12.png)
+
+**2)性能测试**
+具体性能对比如下表：
+| DCU | GPU |
+| ------ | ------ |
+| cell | cell |
+| cell | cell |
+
+
+## 源码仓库及问题反馈
 
 DeePKS-kit is a pure python library so it can be installed following the standard `git clone` then `pip install` procedure. Note that the two main requirements `pytorch` and `pyscf` will not be installed automatically so you will need to install them manually in advance. Below is a more detailed instruction that includes installing the required libraries in the environment.
 
@@ -57,12 +94,3 @@ Check [this input file](./examples/water_cluster/args.yaml) for detailed explana
 [1] Chen, Y., Zhang, L., Wang, H. and E, W., 2020. Ground State Energy Functional with Hartree–Fock Efficiency and Chemical Accuracy. The Journal of Physical Chemistry A, 124(35), pp.7155-7165.
 
 [2] Chen, Y., Zhang, L., Wang, H. and E, W., 2021. DeePKS: A Comprehensive Data-Driven Approach toward Chemically Accurate Density Functional Theory. Journal of Chemical Theory and Computation, 17(1), pp.170–181.
-
-
-<!-- ## TODO
-
-- [ ] Print loss separately for E and F in training.
-- [ ] Rewrite all `print` function using `logging`.
-- [ ] Write a detailed README and more docs.
-- [ ] Add unit tests. -->
-