在物理昇腾 NPU(npu:6,Ascend910B4-1)上对固定版本模型 isayevlab/aimnet2-rxn
执行完整、可复现的集成单点推理。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 张实拍/实渲图片,全部产物均为真实生成,无占位内容。
本交付与权威目标仓库 atlasleong/isayevlab-aimnet2-rxn-npu 保持一致的结构与验收口径,
并补齐了严格终审要求的 logs/npu_inference.log、logs/npu_result.json 顶层
engine/source_revision 字段及 README 元数据。
AIMNet2-rxn 是一个面向广义有机反应建模的神经网络原子间势(NNIP),参考水平为 ωB97M-V / def2-TZVPP,在约 470 万反应相关构象上训练,可开箱处理断键/成键、 过渡态与最小能量路径(NEB/BNEB、IRC)等场景。
dipole/quadrupole 头)implemented_species = [1, 6, 7, 8])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=false。参考泛函 ωB97M-V 已内嵌 VV10 非局域相关,不要再加
D3/D4 校正,否则会双重计算色散。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:6(Ascend910B4-1,8 卡环境中的第 6 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)。
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
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,可忽略。
inference.py脚本对 npu:6 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() > 6、set_device(6)。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:6")
严格加载(真实缺键即抛错),并记录 safetensors 头键与模型 state_dict 键的
严格加载证据。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)。-autograd.grad(E.sum(), coord)。npu-smi info;随后在
HOLD_WINDOW_S=4.0 秒的保持窗口内持续前向推理,断言当前 Python PID 出现在
NPU 6 的进程表中(解析进程表列,而非简单子串匹配)。coord、模型参数、输出 energy 均在 npu:6。logs/npu_result.json、logs/npu_inference.log(清洗)、
logs/npu_smi_raw.log。cd aimnet2-rxn-npu
python3 inference.pylogs/npu_inference.log)==============================================================================
AIMNet2-rxn -> Ascend NPU inference (pinned revision)
repo : isayevlab/aimnet2-rxn
revision : 13e9de20a1e878a18a371e94dfb2176629281cb6
device : npu:6
engine : torch_npu
==============================================================================
[env] NPU available: count=8, requested device=npu:6 (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 (2e8d185d0cb426d2...) size 8826784
[verify] ensemble_1.safetensors sha256 OK (c084fa6d2f3c964e...) size 8826784
[verify] ensemble_2.safetensors sha256 OK (c4c1181e54cbd968...) size 8826784
[verify] ensemble_3.safetensors sha256 OK (8f93cfc6b7c31fd9...) size 8826784
[load] member 0: state_dict keys=39 trainable params=2205593 strict_load_pass=True in 1.17s
[load] member 1: state_dict keys=39 trainable params=2205593 strict_load_pass=True in 1.32s
[load] member 2: state_dict keys=39 trainable params=2205593 strict_load_pass=True in 1.30s
[load] member 3: state_dict keys=39 trainable params=2205593 strict_load_pass=True in 1.22s
[coulomb] external LRCoulomb method=simple subtract_sr=False rc=4.6000 envelope=exp
[infer] member 0: E=1.692441 eV max|F|=4.3503 eV/A sum(q)=-0.000000 e dipole=[-0.4708123207092285, 0.030313149094581604, -0.3292582333087921]
[infer] member 1: E=1.667412 eV max|F|=4.1826 eV/A sum(q)=-0.000004 e dipole=[-0.4395342767238617, 0.019206825643777847, -0.3065110445022583]
[infer] member 2: E=1.683416 eV max|F|=3.9647 eV/A sum(q)=-0.000005 e dipole=[-0.4158790111541748, 0.03074708580970764, -0.3492113947868347]
[infer] member 3: E=1.588369 eV max|F|=4.3907 eV/A sum(q)=-0.000000 e dipole=[-0.4558776319026947, 0.047837238758802414, -0.3246030807495117]
[infer] reproducibility sweep: all 4 members deterministic (max drift 0.00e+00 eV)
[hold] held model on npu:6 for 4.0s (215 deterministic forward passes) for PID correlation
[placement] input/model/output all confirmed on npu:6
[npu-smi] PID 1353305 observed on NPU 6 in 8 process-table line(s).
==============================================================================
RESULT SUMMARY
model_id : isayevlab/aimnet2-rxn
engine / source_revision : torch_npu / 13e9de20a1e878a18a371e94dfb2176629281cb6
device : npu:6 (Ascend910B4-1)
ensemble E(ethanol) : 1.657910 eV
ensemble max|F| : 4.2221 eV/A
ensemble sum(charges) : -0.000002 e
dipole (e.A) : ['-0.4455', '0.0320', '-0.3274']
quadrupole (e.A^2) : ['-0.6818', '0.5366', '0.1452', '0.0701', '0.0318', '-1.0513']
NPU PID check : pid=1353305 on NPU 6 -> PASS
result json : /work/pipeline/jobs/other40/aimnet2-rxn/aimnet2-rxn-npu/logs/npu_result.json
total elapsed : 13.15 s
==============================================================================| 量 | 值 |
|---|---|
能量 E | 1.657910 eV(4 成员均值:1.692441 / 1.667412 / 1.683416 / 1.588369) |
最大力 max|F| | 4.2221 eV/Å |
电荷守恒 Σq | -0.000002 e(中性,误差由 fp64→fp32 累计产生) |
| 偶极矩(e·Å) | [-0.4455, 0.0320, -0.3274](模 0.554 e·Å ≈ 1.42 D) |
| 四极矩(e·Å²) | [-0.6818, 0.5366, 0.1452, 0.0701, 0.0318, -1.0513](无迹形式) |
| 可复现性 | 4 成员重复前向最大能量漂移 0.00e+00 eV |
所有输入、模型参数与输出均确认位于 npu:6;并发 npu-smi 在保持窗口内捕获到 PID
1353305 在 NPU 6 进程表中的 8 行记录(同一 PID 的 input_device / model_device /
output_device / logits_device 全部为 npu:6)。
四张图片均为真实生成,非占位图。




afv.weight 对应行在 safetensors 中为
NaN 填充,会传播 NaN 而非“看似合理”的错误结果。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。13e9de20a1e878a18a371e94dfb2176629281cb6/work/pipeline/models/other40/aimnet2-rxnatlasleong/isayevlab-aimnet2-rxn-npuensemble_*.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。config.json(config_schema_version=1,format_version=2,
cutoff=5.0,needs_coulomb=true,needs_dispersion=false,
coulomb_mode="sr_embedded",coulomb_sr_rc=4.599999904632568,
coulomb_sr_envelope="exp",implemented_species=[1,6,7,8],family="rxn",
supports_charged_systems=false)。aimnet2-rxn-npu/
├── inference.py # NPU 推理脚本(故障闭合、哈希校验、严格加载、并发 npu-smi + 保持窗口)
├── 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(含顶层 engine/source_revision/exit_code 等)
│ ├── npu_inference.log # 清洗后的控制台日志
│ └── npu_smi_raw.log # 并发 npu-smi 原始捕获(PID 在 NPU 6)
└── assets/
├── agent_workflow.png
├── modelagent_live_session.png
├── npu_device_call.png
└── model_result.png环境依赖:torch、torch_npu 与 CANN,详见 requirements.txt。
推理步骤:执行 python3 inference.py,目标设备为物理昇腾 NPU npu:6(fail-closed,无 CPU 回落)。
完整测试用例:使用仓库固定测试输入(乙醇 C2H6O,9 原子,中性)执行一次端到端推理。
输出结果:真实 NPU 结果保存在 logs/npu_result.json(顶层含 engine=torch_npu、
source_revision、exit_code=0、npu_available=true、设备放置与 PID 关联证据)。