g
gcw_coj3XaOd/OpenAlphaDiffract
Model Introduction
Files & versions
Pull Requests
Discussion
Analysis

AlphaDiffract - 昇腾 NPU 推理部署

1. 模型简介

模型名称: linked-liszt/OpenAlphaDiffract

模型链接: HuggingFace

模型描述: AlphaDiffract 是一个多任务 1D ConvNeXt 模型,用于粉末 X 射线衍射(PXRD)图谱的自动晶体学分析。输入 8192 点强度谱图,同时预测晶系(7分类)、空间群(230分类)和晶格参数(6个值)。

模型架构: 1D ConvNeXt (MultiscaleCNNBackbone1D) + 3个 MLD Head

参数规模: 8,734,989 (~8.7M)

输入规格:

  • 8192 点浮点强度谱图,范围 [0, 100]
  • Shape: (batch, 8192) 或 (batch, 1, 8192)
  • 2θ 范围: 5–20° (单色, 20 keV)

输出规格:

  • cs_logits: (batch, 7) — 晶系分类 logits
  • sg_logits: (batch, 230) — 空间群分类 logits
  • lp: (batch, 6) — 晶格参数 [a, b, c, α, β, γ]

2. 环境依赖

依赖项版本要求说明
Python>= 3.10推荐 3.11
torch>= 2.1.0PyTorch 框架
torch_npu>= 2.1.0昇腾 NPU 后端
safetensors>= 0.4.0模型权重加载
numpy>= 1.24.0数值计算
昇腾驱动CANN 8.0+推荐 CANN 8.5.1

安装命令:

pip install torch torch_npu safetensors numpy

NPU 设备检查:

npu-smi info
python3 -c "import torch_npu; print(torch.npu.device_count(), torch.npu.get_device_name(0))"

3. 推理步骤

3.1 环境准备

# 检查 NPU 设备
npu-smi info

# 验证 torch_npu
python3 -c "import torch_npu; print(torch.npu.device_count(), torch.npu.get_device_name(0))"

3.2 模型下载

从 HuggingFace 下载模型文件到本地目录:

huggingface-cli download linked-liszt/OpenAlphaDiffract --local-dir ./OpenAlphaDiffract

确保目录包含以下文件:

  • model.py — 模型定义(纯 PyTorch)
  • config.json — 架构配置
  • model.safetensors — 预训练权重 (~35MB)
  • maxsub.json — 空间群子群图

3.3 运行推理

# 单条推理
python3 inference.py --model-path ./OpenAlphaDiffract

# 批量推理(2个样本)
python3 inference.py --model-path ./OpenAlphaDiffract --num-samples 2

# 从 .npy 文件推理
python3 inference.py --model-path ./OpenAlphaDiffract --input my_pattern.npy

3.4 推理参数说明

参数类型默认值说明
--model-pathstr必填模型 checkpoint 目录路径
--devicestrnpu:0目标 NPU 设备
--num-samplesint1随机测试样本数
--batch-sizeint8批量推理 batch 大小
--inputstrNone输入 .npy 文件路径

4. 推理成功日志

4.1 单条推理日志

[设备] torch_npu 可用, NPU 数量: 2
[设备] 使用设备: npu:0
[模型] 模型路径: ./OpenAlphaDiffract
[模型] 加载完成,耗时: 2.91s
[模型] 参数量: 8,734,989
[推理] 运行推理 (2 个样本)...

[状态] SUCCESS
[结果] 晶系: Cubic (38.4%)
[结果] 空间群: #225 (18.0%)
[结果] 晶格参数:
      a =    3.101 A
      b =    3.236 A
      c =    3.983 A
  alpha =   93.096 deg
   beta =   90.491 deg
  gamma =   93.999 deg

[性能] 总耗时: 0.389s, 平均: 194.3ms/样本

4.2 批量推理日志

[基准测试] 2 次推理:

  样本 1:
    晶系: Cubic (38.4%)
    空间群: #225 (18.0%)
        a =    3.101 A
        b =    3.236 A
        c =    3.983 A
    alpha =   93.096 deg
     beta =   90.491 deg
    gamma =   93.999 deg

  样本 2:
    晶系: Cubic (41.0%)
    空间群: #225 (17.2%)
        a =    3.768 A
        b =    4.121 A
        c =    5.370 A
    alpha =   92.894 deg
     beta =   90.531 deg
    gamma =   93.784 deg

[性能] 总耗时: 0.389s, 平均: 194.3ms/样本

5. 测试样例及输出结果

样例 1:随机模式单条推理

运行命令:

python3 inference.py --model-path ./OpenAlphaDiffract

输出:

[设备] torch_npu 可用, NPU 数量: 2
[设备] 使用设备: npu:0
[模型] 模型路径: ./OpenAlphaDiffract
[模型] 加载完成,耗时: 2.91s
[模型] 参数量: 8,734,989
[推理] 运行推理 (1 个样本)...

[状态] SUCCESS
[结果] 晶系: Cubic (38.4%)
[结果] 空间群: #225 (18.0%)
[结果] 晶格参数:
      a =    3.101 A
      b =    3.236 A
      c =    3.983 A
  alpha =   93.096 deg
   beta =   90.491 deg
  gamma =   93.999 deg

样例 2:批量推理(2样本)

运行命令:

python3 inference.py --model-path ./OpenAlphaDiffract --num-samples 2

输出:

[状态] SUCCESS
[基准测试] 2 次推理:

  样本 1:
    晶系: Cubic (38.4%)
    空间群: #225 (18.0%)
        a =    3.101 A
        b =    3.236 A
        c =    3.983 A

  样本 2:
    晶系: Cubic (41.0%)
    空间群: #225 (17.2%)
        a =    3.768 A
        b =    4.121 A
        c =    5.370 A

[性能] 总耗时: 0.389s, 平均: 194.3ms/样本

6. Agent适配截图

6.1 Agent 完整适配工作流

Agent 适配流程

6.2 NPU 设备调用日志

NPU 设备调用

6.3 模型适配结果

模型适配结果


7. 精度评测

测试数据: 随机合成 PXRD 模式(与论文验证集分布不同,仅验证 NPU 推理正确性)

评测指标:

指标NPU 推理结果论文 baseline (验证集)说明
Crystal System acc随机模式 ≈ 14-41%74.88%随机输入预期较低
Space Group acc随机模式 ≈ 0.4-18%57.31%随机输入预期较低
LP MAEN/A2.71 Å随机输入无意义

评测命令:

python3 inference.py --model-path ./OpenAlphaDiffract --num-samples 10

注:使用随机合成数据评测仅为验证 NPU 推理功能正确性。实际精度评测需要使用真实 PXRD 实验数据。


8. NPU 配置说明

  • NPU 型号: Ascend910_9362
  • NPU 数量: 2 卡(单卡推理)
  • 显存占用: ~3.1 GB HBM(推理时)
  • CANN 版本: 8.5.1
  • 推理精度: float32
  • 平均推理延迟: ~194ms/样本(batch=1, 8192点输入)

9. 已知问题

  • padding='same' 配合偶数 kernel 长度时 PyTorch 会产生警告(功能正常,不影响推理结果)
  • 模型为单模型版本(非论文中的 10 模型集成),精度低于集成版本
  • 训练数据仅使用 Materials Project 公开数据