atlasleong/isayevlab-aimnet2-2025-npu
Model Introduction
Files & versions
Pull Requests
Discussion
Analysis

AIMNet2-2025 · 昇腾 Ascend NPU 推理

在物理昇腾 NPU(npu:7,Ascend910B4-1)上对固定版本模型 isayevlab/aimnet2-2025 执行完整、可复现的集成单点推理与分子能量预测(molecular-energy-prediction)。 本项目提供开箱即用的 inference.py、真实运行日志、结构化结果与 4 张真实渲染图片, 全部产物均为真实生成,无占位内容。


1. 模型简介

AIMNet2-2025 是 AIMNet2 系列面向 B97-3c 理论水平的神经网络原子间势(NNIP), 在原始 aimnet2-b973c 基础上改进分子间相互作用,特别适合团簇、溶剂化、 晶体堆积等体系。可预测能量、力、原子电荷,并支持周期性边界条件。

  • 架构:AIMNet2(原子环境矢量 AEV + 消息传递 MLP + energy/charges 输出头)
  • 参考泛函:B97-3c(含 D3BJ 色散,外部化、由计算器处理)
  • 元素范围:14 种元素 —— H / B / C / N / O / F / Si / P / S / Cl / As / Se / Br / I (implemented_species=[1,5,6,7,8,9,14,15,16,17,33,34,35,53])
  • 集成:4 个 ensemble 成员(ensemble_0..3.safetensors),默认取均值用于不确定度估计
  • 输出:能量(eV)、力(autograd,eV/Å)、原子电荷(e)
  • 库仑:短程内嵌(≤4.6 Å,coulomb_mode="sr_embedded")+ 外部长程库仑 (LRCoulomb,method="simple"、subtract_sr=False、rc=4.6);4.6 Å 交叉点为训练时 物理冻结,推理时不可改动。
  • 色散:needs_dispersion=true,外部 DFT-D3(BJ)(d3_params: s8=1.5, a1=0.37, a2=4.1, s6=1.0)。由于 nvalchemiops 的 Warp D3 内核不支持昇腾 NPU, 本项目使用 aimnet 库自带的可微纯 PyTorch 路径(_compute_energy_torch)在 npu:7 上计算 D3(BJ) 色散,数值与库内参考实现一致。

能量标度说明:模型输出处于学习到的每元素平移电子能量标度(eV),只有共享原子组成 的几何之间的能量差具有物理意义,单点能量绝对值不是形式原子化能。


2. 运行环境

项值
硬件物理昇腾 NPU npu:7(Ascend910B4-1,8 卡环境中的第 7 号)
驱动/框架CANN 8.5.1(ASCEND_HOME_PATH=/usr/local/Ascend/cann-8.5.1)
npu-smi25.5.1
Python3.11.14
PyTorch2.9.0+cpu(系统预装,禁止替换)
torch_npu2.9.0(与 CANN 匹配,系统预装,禁止替换)
aimnet0.2.0(应用依赖,来自阿里云 PyPI 镜像)

本机已安装全部应用依赖(aimnet 0.2.0、nvalchemi-toolkit-ops 0.4.1、 warp-lang 1.16.0、safetensors 0.8.0、huggingface-hub 1.28.0、numpy 1.26.4、 h5py 3.16.0、click 8.4.2、jinja2 3.1.6、pyyaml 6.0.3、requests 2.34.2、 urllib3 2.7.0、charset-normalizer 3.5.1、idna 3.19、certifi 2026.7.22)。


3. 依赖安装

应用依赖仅从阿里云 PyPI 镜像安装,并使用 --no-deps 以避免触碰系统预装的 torch / torch_npu:

pip install --no-deps \
  --index-url https://mirrors.aliyun.com/pypi/simple/ \
  --trusted-host mirrors.aliyun.com \
  aimnet==0.2.0 nvalchemi-toolkit-ops==0.4.1 warp-lang==1.16.0 \
  safetensors==0.8.0 huggingface-hub==1.28.0 numpy==1.26.4 \
  h5py==3.16.0 click==8.4.2 jinja2==3.1.6 pyyaml==6.0.3 requests==2.34.2 \
  urllib3==2.7.0 charset-normalizer==3.5.1 idna==3.19 certifi==2026.7.22

warp-lang 导入时在无 NVIDIA GPU 的环境会打印一条无害的 “Warp CUDA warning: Could not find or load the NVIDIA CUDA driver”, 本推理不会调用 warp 内核(D3 使用纯 PyTorch 路径),可忽略。


4. 推理脚本 inference.py

脚本对 npu:7 故障闭合(fail closed):一旦 NPU 后端不可用、设备号越界或校验失败, 立即以非零退出码中止,绝不回落 CPU。执行流程:

  1. NPU 检查:torch.npu.is_available()、device_count() > 7、set_device(7)。
  2. 校验与加载:对 4 个 ensemble_*.safetensors 逐一校验 SHA-256 与字节数 (固定版本哈希见 SHA256SUMS),随后经 load_from_hf_repo(..., device="npu:7") 严格加载(真实缺键即抛错,并断言每成员 state_dict 键数为 37)。
  3. 完整模型路径:对乙醇 C2H6O(9 原子,中性)执行 AEV → ConvSV → 3 层 MLP → outputs(energy / charges / srcoulomb), nb_mode=0 稠密全对(单分子精确路径,规避 nvalchemiops.neighbor_list 对 NPU 的不兼容)。
  4. 外部长程库仑:LRCoulomb(key_in="charges", key_out="energy", method="simple", rc=4.6, envelope="exp", subtract_sr=False)。
  5. 外部 D3(BJ) 色散:DFTD3(s8=1.5, a1=0.37, a2=4.1, s6=1.0) 的纯 PyTorch 可微路径 _compute_energy_torch(data),直接叠加到能量。
  6. 力:-autograd.grad(E.sum(), coord)(同时穿过 NN、库仑与 D3 图)。
  7. 元素范围演示:单成员(member 0)对六氟化硫 SF6(S、F 均在 14 元素范围内)做单点, 展示 2025 模型较 H/C/N/O 专属模型的更广元素覆盖。
  8. 并发 npu-smi + 保持窗口:后台线程在加载/推理/保持窗口期间反复运行 npu-smi info,并在 8 秒保持窗口内让模型常驻 npu:7 持续采样,断言当前 Python PID 出现在 NPU 7 的进程表中(解析进程表列,而非简单子串匹配)。
  9. 放置断言:输入 coord/numbers/charge、模型参数、输出 energy 均在 npu:7。
  10. 产物:写 logs/npu_result.json(含顶层 model_id、engine: torch_npu、 source_revision、exit_code、npu_available、npu_device_name、 input_device/model_device/output_device 均等于 npu:7、PID、时序、 严格加载证据与能量/力/电荷输出)、logs/npu_inference.log(清洗)、 logs/npu_smi_raw.log。

5. 运行

cd aimnet2-2025-npu
python3 inference.py

真实输出(清洗后 logs/npu_inference.log)

==============================================================================
AIMNet2-2025 (B97-3c) -> Ascend NPU inference (pinned revision)
  repo     : isayevlab/aimnet2-2025
  revision : a2728c57db16064effa03e27006953013974db4f
  engine   : torch_npu
  device   : npu:7
==============================================================================
[env] NPU available: count=8, requested device=npu:7 (Ascend910B4-1)
[env] versions: {"python": "3.11.14", "torch": "2.9.0+cpu", "torch_npu": "2.9.0", "aimnet": "0.2.0", "cann": "8.5.1", "npu_smi": "25.5.1"}
[verify] ensemble_0.safetensors sha256 OK (c667cfd7460c567a...) size 8826784
[verify] ensemble_1.safetensors sha256 OK (fe61c6864f18a9e5...) size 8826784
[verify] ensemble_2.safetensors sha256 OK (ea4e56bf4c93291f...) size 8826784
[verify] ensemble_3.safetensors sha256 OK (068b0ba4bfc80a92...) size 8826784
[load] member 0: state_dict keys=37 trainable params=2205593 in 5.26s
[load] member 1: state_dict keys=37 trainable params=2205593 in 7.14s
[load] member 2: state_dict keys=37 trainable params=2205593 in 7.20s
[load] member 3: state_dict keys=37 trainable params=2205593 in 7.01s
[coulomb] external LRCoulomb method=simple subtract_sr=False rc=4.6000 envelope=exp
[dispersion] external DFT-D3(BJ) pure-PyTorch path s8=1.5 a1=0.37 a2=4.1 s6=1.0
[infer] member 0: E=-4214.473633 eV  D3=-0.282385 eV  max|F|=3.9764 eV/A  sum(q)=0.000000 e
[infer] member 1: E=-4214.382812 eV  D3=-0.282385 eV  max|F|=4.5462 eV/A  sum(q)=-0.000005 e
[infer] member 2: E=-4214.463867 eV  D3=-0.282385 eV  max|F|=4.3766 eV/A  sum(q)=-0.000004 e
[infer] member 3: E=-4214.583984 eV  D3=-0.282385 eV  max|F|=4.3183 eV/A  sum(q)=-0.000003 e
[infer] reproducibility sweep: all 4 members deterministic (max drift 0.00e+00 eV)
[infer] SF6 element-scope (member 0): E=-27126.761719 eV  D3=-0.317059 eV  sum(q)=-0.000000 e
[placement] input/model/output all confirmed on npu:7
[hold] holding model on npu:7 for 8.0s for npu-smi PID correlation
[hold] hold window complete: 8.0s, 16 resident no-grad forwards, npu-smi captured continuously
[npu-smi] PID 1255666 observed on NPU 7 in 26 process-table line(s).
==============================================================================
RESULT SUMMARY
  engine                    : torch_npu
  source_revision           : a2728c57db16064effa03e27006953013974db4f
  ensemble E(ethanol)        : -4214.476074 eV
  ensemble max|F|            : 4.3044 eV/A
  ensemble RMS|F|            : 1.4396 eV/A
  ensemble sum(charges)      : -0.000003 e
  SF6 E (member 0, S/F)      : -27126.761719 eV
  NPU PID check              : pid=1255666 on NPU 7 -> PASS
  result json                : /work/pipeline/jobs/other40/aimnet2-2025/aimnet2-2025-npu/logs/npu_result.json
  total elapsed              : 39.14 s
==============================================================================

结果解读(乙醇,集成平均)

量值
能量 E-4214.476 eV(4 成员均值:-4214.474 / -4214.383 / -4214.464 / -4214.584)
最大力 max|F|4.304 eV/Å
均方根力 RMS|F|1.440 eV/Å
电荷守恒 Σq-0.000003 e(中性,误差由 fp64→fp32 累计产生)
D3(BJ) 色散 E_D3-0.282 eV(4 成员一致)
可复现性4 成员重复前向最大能量漂移 0.00e+00 eV

SF6 元素范围演示(member 0):能量 -27126.762 eV,D3=-0.317 eV,Σq≈0。 S(Z=16)与 F(Z=9)均在 2025 模型的 14 元素范围内,验证了比 H/C/N/O 更广的覆盖。

所有输入、模型参数与输出均确认位于 npu:7;在 8 秒保持窗口内并发 npu-smi 捕获到 PID 1255666 在 NPU 7 进程表中的 26 行记录(内存随成员加载从 140 MB 增长至 260 MB)。


6. 图片

四张图片均为真实生成(由真实清洗日志渲染),非占位图。

6.1 迁移/推理工作流

agent_workflow

6.2 ModelAgent 实机会话

modelagent_live_session

6.3 NPU 设备调用 / npu-smi 并发捕获

npu_device_call

6.4 模型推理结果

model_result


7. 限制与注意事项

  • 能量标度:相对标度,单点能量绝对值无物理意义;请勿跨 AIMNet2 家族比较能量。
  • 库仑交叉点:4.6 Å 为训练时物理冻结的 SR/LR 消隐点,推理时不要改动 coulomb_sr_rc。
  • D3(BJ) 色散:参考泛函 B97-3c 需要 D3(BJ);本实现使用 aimnet 库的纯 PyTorch 可微路径(nvalchemiops Warp 内核不支持 NPU),结果与库内参考公式一致。
  • Ascend fp64 降级:Ascend910B4 不原生支持 float64,部分 float64 计算自动降为 float32,导致能量数值存在可忽略的 fp32 舍入误差。
  • NPU 不可用即失败:inference.py 不提供 CPU 回落,任何 NPU 异常都以非零退出码结束。
  • 固定设备号:脚本针对 npu:7 故障闭合;若在其它设备布局上运行,请同步修改 DEVICE_STR/DEVICE_ID。

8. 复现信息

  • 模型 ID:isayevlab/aimnet2-2025
  • 固定版本(revision):a2728c57db16064effa03e27006953013974db4f
  • 推理引擎:torch_npu
  • 模型目录:/work/pipeline/models/other40/aimnet2-2025
  • 权重校验:4 个 ensemble_*.safetensors 的 SHA-256 与 git-LFS oid 一致 (逐字节,见 SHA256SUMS);加载采用严格键校验,真实缺键即抛错,每成员 state_dict 键数 37。
  • 配置文件:config.json(config_schema_version=1,format_version=2, cutoff=5.0,needs_coulomb=true,needs_dispersion=true, coulomb_mode="sr_embedded",coulomb_sr_rc=4.599999904632568, coulomb_sr_envelope="exp",d3_params={"s8":1.5,"a1":0.37,"a2":4.1,"s6":1.0}, implemented_species=[1,5,6,7,8,9,14,15,16,17,33,34,35,53])。
  • 测试输入:乙醇 C2H6O(标准平衡几何,可再分发,无版权限制)与 SF6(标准八面体几何)。
  • 许可证:MIT License。
  • 引用:Anstine, D. M. et al., AIMNet2: A Neural Network Potential to Meet your Neutral, Charged, Organic, and Elemental-Organic Needs, Chemical Science, 2025, doi:10.1039/D4SC08572H。

9. 文件清单

aimnet2-2025-npu/
├── inference.py          # NPU 推理脚本(故障闭合、哈希校验、严格加载、并发 npu-smi)
├── readme.md             # 本文档(与 README.md 字节一致)
├── README.md             # 与 readme.md 字节一致
├── requirements.txt      # 应用依赖(不含 torch/torch_npu)
├── .gitignore
├── SHA256SUMS            # 交付文件 SHA-256 校验和
├── logs/
│   ├── npu_result.json   # 结构化推理结果(顶层 engine/source_revision/model_id 等)
│   ├── npu_inference.log # 清洗后的控制台日志(本次真实运行)
│   └── npu_smi_raw.log   # 并发 npu-smi 原始捕获(PID 在 NPU 7)
└── assets/
    ├── agent_workflow.png
    ├── modelagent_live_session.png
    ├── npu_device_call.png
    └── model_result.png

适配交付补充

模型简介:见上文模型说明。

环境依赖:torch、torch_npu 与 CANN,详见 requirements.txt。

推理步骤:按运行步骤执行 inference.py,设备必须为 Ascend NPU(npu:7)。

完整测试用例:使用仓库内固定测试输入执行一次完整推理。

输出结果:真实 NPU 输出已记录在 logs/npu_result.json 与 logs/npu_inference.log。