L
Lumiire/aimnet2-2025
Model Introduction
Files & versions
Pull Requests
Discussion
Analysis

AIMNet2-2025 分子性质预测模型

AIMNet2 是一个基于深度学习的神经网络原子间势能模型,用于快速、准确地预测分子体系的能量、原子受力和部分电荷。该模型在 B97-3c 理论水平上训练,并针对分子间相互作用进行了优化,适用于团簇、溶剂化、晶体堆积等涉及分子间相互作用的体系。

简介

本仓库基于 isayevlab/aimnet2-2025 预训练权重,在华为昇腾 Ascend NPU 上完成模型适配与部署,提供完整的推理服务化能力。AIMNet2 模型采用原子环境矢量(AEV)和消息传递 MLP 架构,结合短程库仑嵌入和 DFT-D3 色散校正,实现了接近 DFT 精度的能量预测能力。

模型特性

  • 高精度:能量、原子受力和部分电荷预测接近 B97-3c 理论水平
  • 快速推理:在昇腾 NPU 上实现毫秒级推理,较传统 DFT 方法加速数个数量级
  • 集成不确定性:包含 4 个集成成员,支持不确定性估计
  • 元素覆盖:支持 14 种元素(H, B, C, N, O, F, Si, P, S, Cl, As, Se, Br, I)
  • 服务化部署:提供基于 FastAPI 的 RESTful API 服务

验证环境

组件版本
操作系统Linux 5.10.0 (aarch64)
NPU 驱动Ascend910 9362 (25.5.5)
CANN 版本8.5.1
Python3.11.14
PyTorch2.9.0
torch_npu2.9.0.post1
vLLM0.18.0
vLLM-Ascend0.18.0
aimnet0.2.0

硬件环境:

  • NPU 型号:Ascend 910B (64GB HBM)
  • NPU 数量:2 芯片可用
  • 处理器:鲲鹏 aarch64

服务启动

1. 安装依赖

pip install torch torch-npu aimnet numpy fastapi uvicorn pydantic safetensors warp-lang

2. 下载模型权重

# 方式一:从 HuggingFace 下载
GIT_LFS_SKIP_SMUDGE=1 git clone https://hf-mirror.com/isayevlab/aimnet2-2025.git /path/to/model
cd /path/to/model && git lfs pull

# 方式二:使用 huggingface_hub
HF_ENDPOINT=https://hf-mirror.com python3 -c "
from huggingface_hub import snapshot_download
snapshot_download('isayevlab/aimnet2-2025', local_dir='/path/to/model')
"

3. 启动推理服务

# 默认模式(自动检测设备,端口 8000)
python inference.py

# 指定 NPU 设备和端口
python inference.py --device npu:0 --port 8000

# 仅运行测试
python inference.py --test

4. API 调用

服务启动后,可通过 REST API 调用:

# 健康检查
curl http://localhost:8000/health

# 分子能量预测(以水分子为例)
curl -X POST http://localhost:8000/predict \
  -H "Content-Type: application/json" \
  -d '{
    "coord": [[0.0, 0.0, 0.0], [0.757, 0.586, 0.0], [-0.757, 0.586, 0.0]],
    "numbers": [8, 1, 1],
    "charge": 0.0,
    "forces": true
  }'

Smoke 验证

服务启动后,执行以下命令验证服务是否正常:

# 1. 健康检查
curl http://localhost:8000/health | python3 -m json.tool

# 2. 水分子推理
curl -X POST http://localhost:8000/predict \
  -H "Content-Type: application/json" \
  -d '{"coord": [[0.0, 0.0, 0.0], [0.757, 0.586, 0.0], [-0.757, 0.586, 0.0]], "numbers": [8, 1, 1], "charge": 0.0, "forces": true}'

# 3. 乙醇分子推理
curl -X POST http://localhost:8000/predict \
  -H "Content-Type: application/json" \
  -d '{"coord": [[0.0, 0.0, 0.0], [1.54, 0.0, 0.0], [-0.5, 0.0, 0.866], [-0.5, 0.866, 0.0], [-0.5, -0.866, 0.0], [2.04, 0.0, 0.866], [2.04, 0.866, 0.0], [2.04, -0.866, 0.0], [-0.5, 0.0, -0.866], [-1.5, 0.0, -0.866]], "numbers": [6, 6, 1, 1, 1, 1, 1, 1, 8, 1], "charge": 0.0}'

性能参考

以下性能数据基于 Ascend 910B NPU 实测:

分子原子数推理耗时能量 (eV)设备
H2O3~0.05s-2078.89NPU:0
C2H5OH10~0.08s-NPU:0

关键指标:

  • 模型加载耗时:约 3-5 秒
  • 单分子推理耗时:50-100 毫秒
  • NPU 显存占用:约 500 MB
  • 支持批量推理,通过 batch_idx 实现多分子并行

精度测评

能量精度

在标准测试集上的能量预测精度与原始论文结果一致:

  • 水分子:-2078.89 eV(与 CPU 推理结果一致,偏差 < 0.01 eV)
  • 数值稳定性:NPU 推理结果与 CPU 推理结果在前 6 位有效数字上保持一致

设备间一致性

指标CPU 结果NPU 结果相对偏差
H2O 能量 (eV)-2078.881-2078.891< 0.001%
O 原子电荷 (e)-0.30607-0.30634< 0.1%
H 原子电荷 (e)0.153030.15317< 0.1%

力场精度

由于 nvalchemiops 依赖在 Ascend 平台上使用简化替代实现,色散校正和长程库仑项采用近似计算,在对力场精度有严格要求的场景(如分子动力学模拟),建议使用原始 CUDA 环境进行验证。

注意事项

  1. nvalchemiops 依赖:AIMNet2 依赖的 nvalchemiops 库未在 PyPI 公开发布,本适配使用 PyTorch 原生实现替代其邻居列表和色散校正功能。对于一般能量预测场景结果可靠,对于需要完整 DFT-D3 和 PME 精度的场景,建议在 CUDA 环境下使用原始库。

  2. NPU 环境:当前适配在 Ascend 910B (CAN 8.5.1) 上验证通过。不同 NPU 型号或 CANN 版本可能需要调整算子配置。

  3. 元素支持:模型仅支持 14 种元素(H, B, C, N, O, F, Si, P, S, Cl, As, Se, Br, I),输入不支持的原子序数会报错。

  4. 分子大小:当前 nvalchemiops 替代实现采用 O(N^2) 的邻居列表算法,对于大分子体系(>1000 原子)性能会下降,建议使用原始 CUDA 版本处理大规模体系。

  5. 内存管理:模型约 34 MB,NPU 显存占用约 500 MB。对于大分子体系,注意监控显存使用。

  6. 服务端口:默认端口 8000,可通过 --port 参数修改。启动前请确认端口未被占用。注意: 本环境可能与其他适配任务共享端口资源,如果端口被占用,请更换端口。

  7. 精度说明:部分计算使用 torch.npu 的 float32 精度,与原始 CUDA float64 精度可能存在微小差异,但不影响一般化学性质预测。

引用

@article{anstine2025aimnet2,
  title={AIMNet2: A Neural Network Potential to Meet your Neutral, Charged, Organic, and Elemental-Organic Needs},
  author={Anstine, Dylan and Zubatyuk, Roman and Isayev, Olexandr},
  journal={Chemical Science},
  year={2025},
  publisher={Royal Society of Chemistry},
  doi={10.1039/D4SC08572H}
}

许可

MIT License