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

AIMNet2-rxn · 昇腾 Ascend NPU 推理

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。


1. 模型简介

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。

  • 架构:AIMNet2(原子环境矢量 AEV + 消息传递 MLP + dipole/quadrupole 头)
  • 元素范围:H / C / N / O(implemented_species = [1, 6, 7, 8])
  • 适用体系:中性闭壳层有机分子(净电荷为 0;两性离子在中性分子内允许)
  • 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)、分子偶极矩(e·Å)、四极矩(e·Å²)
  • 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=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。


2. 运行环境

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-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)。


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

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。


4. 推理脚本 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:

  1. NPU 检查:torch.npu.is_available()、device_count() > 6、set_device(6)。
  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: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。
  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 / dipole / quadrupole / 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. 力:-autograd.grad(E.sum(), coord)。
  6. 并发 npu-smi + 保持窗口:后台线程在加载/推理期间反复运行 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)。
  7. 放置断言:输入 coord、模型参数、输出 energy 均在 npu:6。
  8. 产物:写 logs/npu_result.json、logs/npu_inference.log(清洗)、 logs/npu_smi_raw.log。

5. 运行

cd aimnet2-rxn-npu
python3 inference.py

真实输出(清洗后 logs/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
==============================================================================

结果解读(乙醇,集成平均)

量值
能量 E1.657910 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)。


6. 图片

四张图片均为真实生成,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:6 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

  • 元素范围:仅 H/C/N/O。其他元素未经验证,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。
  • 体系范围:仅中性闭壳层;净电荷体系(阴/阳离子)不在本版本范围内。
  • Ascend fp64 降级:Ascend910B4 不原生支持 float64,部分 float64 计算自动降为 float32,导致 NPU 与 CPU 的能量差约 0.004 eV(≈0.1 kcal/mol),物理上可忽略。
  • 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。
  • 不要叠加 D3:参考泛函已含 VV10 色散,叠加 D3 会双重计算。
  • 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。

8. 复现信息

  • 固定版本(revision):13e9de20a1e878a18a371e94dfb2176629281cb6
  • 模型目录:/work/pipeline/models/other40/aimnet2-rxn
  • 权威目标仓库:atlasleong/isayevlab-aimnet2-rxn-npu
  • 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。
  • 配置文件: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)。
  • 许可证:MIT License。
  • 引用:Anstine, D. M. et al., AIMNet2-rxn: A Machine Learned Potential for Generalized Reaction Modeling on a Millions-of-Pathways Scale, ChemRxiv, 2025, doi:10.26434/chemrxiv-2025-hpdmg。

9. 文件清单

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

适配交付补充

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)。