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。
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。
| 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 |
| Python | 3.11.14 |
| PyTorch | 2.9.0 |
| torch_npu | 2.9.0.post1 |
| vLLM | 0.18.0 |
| vLLM-Ascend | 0.18.0 |
| aimnet | 0.2.0 |
硬件环境:
pip install torch torch-npu aimnet numpy fastapi uvicorn pydantic safetensors warp-lang# 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')
"# 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
}'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}'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 |
|---|---|---|---|---|
| H2O | 3 | ~0.05s | -2078.89 | NPU:0 |
| C2H5OH | 10 | ~0.08s | - | NPU:0 |
关键指标:
在标准测试集上的能量预测精度与原始论文结果一致:
| 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) | 0.15303 | 0.15317 | < 0.1% |
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。
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。
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。
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。
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。
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。
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。
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。
@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}
}MIT License