f
fbybl/aimnet2-wb97m-d3
Model Introduction
Files & versions
Pull Requests
Discussion
Analysis

AIMNet2-wB97M-D3 · Ascend NPU 适配版

AIMNet2 是一个面向分子模拟的神经内插原子间势能模型,在 wB97M-D3 理论级别上训练, 用于快速预测分子的能量、原子电荷与原子力。本仓库将 isayevlab/aimnet2-wb97m-d3 原版权重适配到 华为昇腾 910B NPU 上,并以服务化方式对外提供推理能力。

一、简介

项内容
原始模型isayevlab/aimnet2-wb97m-d3
模型类型神经内插势(AEV 消息传递 + MLP 输出头,非自回归)
输入原子序数 + 笛卡尔坐标(Å)+ 总电荷
输出体系总能量(eV / Hartree)、原子电荷(e)、原子力(eV/Å,可选)
适配目标昇腾 910B / CANN 8.5.1 / torch_npu 2.9.0
权重格式safetensors(4 集成成员,单成员约 220 万参数)

为什么需要适配

上游 aimnet Python 包在导入阶段就无条件依赖 CUDA 扩展:

  • aimnet.kernels.conv_sv_2d_sp_wp 使用 NVIDIA Warp 编写的自定义卷积 kernel;
  • nvalchemiops 提供邻居表、DFT-D3 与 Ewald 库仑等加速算子。

这两者都无法在昇腾环境安装/运行,直接 import aimnet 会抛 ModuleNotFoundError: No module named 'warp'。本适配通过纯 PyTorch 算子 重写相关路径,使同一份权重可以在昇腾 NPU 上完成完整的 wB97M-D3 单点计算。

二、验证环境

组件版本
操作系统Linux 5.10 (aarch64)
昇腾 NPUAscend 910B(双 chip,npu:0 / npu:1)
CANN8.5.1
torch2.9.0+cpu(配合 torch_npu)
torch_npu2.9.0.post1+gitee7ba04
aimnet0.2.0
Python3.11.14

实测芯片为 Ascend 910B,使用 npu:1 部署(npu:0 被同机其他任务占用)。

三、服务启动

仓库包含 inference.py(推理模块 + CLI)与 serve.py(FastAPI 服务)。

3.1 依赖安装

pip install -r requirements.txt

3.2 权重准备

将权重放到默认模型目录(或设置环境变量 AIMNET2_MODEL_DIR):

/opt/atomgit/models/isayevlab/aimnet2-wb97m-d3/
├── config.json
├── ensemble_0.safetensors
├── ensemble_1.safetensors
├── ensemble_2.safetensors
└── ensemble_3.safetensors

3.3 启动服务

cd aimnet2_ascend

# 关键:将 ACL JIT 编译缓存重定向到本地盘(共享文件系统配额满会导致编译失败)
export ASCEND_WORK_PATH=/tmp/ascend_work
export ASCEND_PROCESS_LOG_PATH=/tmp/ascend_log
export ASCEND_CACHE_PATH=/tmp/ascend_cache
export AOE_ENABLE=0

# 默认监听 0.0.0.0:18222,设备 npu:1
python3 serve.py

可通过环境变量调整:

AIMNET2_DEVICE=npu:1 AIMNET2_PORT=18222 AIMNET2_ENSEMBLE=0 python3 serve.py

3.4 CLI 直接推理(不启动服务)

python3 inference.py --smiles-mol water --device npu:1
python3 inference.py --numbers 8 1 1 \
  --coord "0,0,0" "0.9584,0,0" "-0.2400,0.9271,0" --device npu:1 --json

四、Smoke 验证

服务启动后按顺序执行:

# 1) 健康检查
curl http://127.0.0.1:18222/health
# {"status":"ok","model":"isayevlab/aimnet2-wb97m-d3","device":"npu:1","ensemble_member":0,"npu_available":true}

# 2) 模型列表(OpenAI 风格)
curl http://127.0.0.1:18222/v1/models

# 3) 单点能量 + 力(水分子)
curl -X POST http://127.0.0.1:18222/predict -H 'Content-Type: application/json' \
  -d '{"numbers":[8,1,1],"coord":[[0,0,0],[0.9584,0,0],[-0.2400,0.9271,0]],"compute_forces":true}'

预期响应(节选):

{
  "energy_eV": -2081.0498891892166,
  "energy_Ha": -76.47717346428729,
  "charges": [-0.694564700126648, 0.34721067547798157, 0.34735405445098877],
  "forces": [[0.058060407638549805, 0.023987770080566406, -0.0], ...],
  "runtime_ms": 31.84
}

五、性能参考

指标实测值
单请求延迟(预热后,服务内)15 ~ 38 ms
端到端吞吐(8 并发,CLI 侧)180 请求 / 4 秒
模型加载时间(含首次算子编译)约 90 秒(首次请求另需约 80 秒编译)
HBM 占用(服务进程)约 292 MB
NPU 占用(推理负载中,Chip 1)Aicore 5%,Aivector 8%,NPU Util 20~41%,HBM 4%

说明:首次调用会触发 ACL 算子 JIT 编译(约 80s),预热后即进入毫秒级稳定延迟。 模型体量很小(fp32 约 8.8MB/成员),HBM 占用极低,非常适合边缘/小模型场景。

六、精度测评

6.1 与 CPU 参考对比

水分子 H2O 在 CPU 与 NPU 上分别推理:

平台总能量 (eV)能量 (Ha)
CPU-2081.0463-76.47704
NPU-2081.0499-76.47717

绝对偏差 < 0.005 eV(源自 fp32 计算路径差异),可认为一致。

6.2 多分子能量

分子原子E_total (eV)E (Hartree)Σq
H2O3-2081.0499-76.477170.0000
CH45-1103.0348-40.53578-0.00001
NH34-1540.0630-56.596270.0000
C2H6O9-4220.2230-155.090340.0000
C6H612-6324.1367-232.407740.0000
  • 电荷守恒误差均 ≤ 1e-8;
  • 力矢量通过 autograd 对坐标求导得到,数值有限且与能量梯度自洽。

6.3 元素覆盖

模型支持 14 种元素:H、B、C、N、O、F、Si、P、S、Cl、As、Se、Br、I。 传入未支持元素(如 Fe)会返回明确的 422 错误。

七、注意事项

  1. ACL 缓存重定向:本机共享文件系统 /opt/atomgit 配额紧张时,ACL JIT 编译 会因写 /opt/atomgit/Ascend/latest/ 失败而报 Disk quota exceeded。务必按上文 将 ASCEND_CACHE_PATH / ASCEND_WORK_PATH 指向本地盘。
  2. 首次请求慢:第一个推理请求包含算子编译,需等待约 80 秒;建议部署后用一个小 分子预热(--smiles-mol water)。
  3. 多芯片:同一 NPU 板卡的两个 chip 可独立使用,通过 npu:0 / npu:1 指定; 部署前请用 npu-smi info 确认目标 chip 空闲。
  4. PBC 周期体系:本适配面向非周期分子;周期边界(Ewald/DSF)依赖 nvalchemiops 未包含在本次交付范围内。
  5. 集成成员:服务默认加载 ensemble_0.safetensors;API 的 ensemble 字段支持 0~3,切换成员需重启服务(或修改 AIMNET2_ENSEMBLE)。
  6. 依赖冲突:请勿将本仓库代码与上游 aimnet 官方 CUDA 推理链混用(本适配已在 import 层打桩替换其 CUDA 依赖)。

八、许可证与致谢

模型权重遵循上游 MIT 许可。适配工作基于:

  • AIMNet2 论文(Anstine et al., Chemical Science, 2025)
  • aimnet Python 包(NVIDIA, MIT)
  • vLLM-Ascend 昇腾适配工具链