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。
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。
energy/charges 输出头)implemented_species=[1,5,6,7,8,9,14,15,16,17,33,34,35,53])ensemble_0..3.safetensors),默认取均值用于不确定度估计≤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。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。
| 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-smi | 25.5.1 |
| Python | 3.11.14 |
| PyTorch | 2.9.0+cpu(系统预装,禁止替换) |
| torch_npu | 2.9.0(与 CANN 匹配,系统预装,禁止替换) |
| aimnet | 0.2.0(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)。
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。
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:
torch.npu.is_available()、device_count() > 7、set_device(7)。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)。nvalchemiops.neighbor_list 对 NPU 的不兼容)。LRCoulomb(key_in="charges", key_out="energy", method="simple", rc=4.6, envelope="exp", subtract_sr=False)。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。-autograd.grad(E.sum(), coord)(同时穿过 NN、库仑与 D3 图)。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)。coord/numbers/charge、模型参数、输出 energy 均在 npu:7。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。cd aimnet2-2025-npu
python3 inference.pylogs/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
==============================================================================| 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)。
四张图片均为真实生成(由真实清洗日志渲染),非占位图。




coulomb_sr_rc。inference.py 不提供 CPU 回落,任何 NPU 异常都以非零退出码结束。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。isayevlab/aimnet2-2025a2728c57db16064effa03e27006953013974db4ftorch_npu/work/pipeline/models/other40/aimnet2-2025ensemble_*.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。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])。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。