isayevlab/aimnet2-wb97m-d3 是 AIMNet2 通用机器学习 分子间作用势 (Universal Machine-Learning Interatomic Potential),在 wB97M-D3 泛函级别训练。 输入为分子几何(原子序数 + 3D 坐标,标准 xyz 文件),输出为预测的电子总能量(单位 eV,同时给出 Hartree),可选输出原子受力与原子电荷。
本仓库将其适配到 昇腾 Ascend 910 NPU(torch_npu,固定使用 npu:0)。代码中不含任何 CUDA
语句;模型与输入张量全部运行在 npu:0 上,并在入口处对 NPU 初始化做了 try-except 保护。
ensemble_0。implemented_species)。aimnet2-wb97m-d3-npu/
├── inference.py # 单文件推理脚本 (CLI + FastAPI 双模式)
├── sample.xyz # 示例输入: 水分子 H2O
├── sample_methane.xyz # 示例输入: 甲烷 CH4
├── README.md
├── requirements.txt
├── .gitignore # 忽略 model_weights/, logs/ 等
└── model_weights/ # 权重缓存 (自动下载, 不入库)
└── isayevlab__aimnet2-wb97m-d3/torch + torch_npu(昇腾 CANN 环境,torch.npu.is_available() == True)aimnet(AIMNet2 官方实现,pip install aimnet)safetensors, huggingface_hub(权重加载)fastapi, uvicorn, python-multipart(HTTP 服务)pip install -r requirements.txt说明:官方
aimnet计算器依赖nvalchemiops的 Warp/CUDA 邻域核,在 NPU 上不可用。 本适配改用纯 PyTorch 稠密邻接矩阵(小/中分子精确)与纯 PyTorch D3BJ 色散 (aimnet.modules.DFTD3._compute_energy_torch),并打了一个 NPU 兼容补丁 (nse电荷均衡避免原地修改张量),从而在 NPU 上端到端可运行。
权重默认从 HuggingFace 镜像 (hf-mirror.com) 下载到本地缓存:
./model_weights/isayevlab__aimnet2-wb97m-d3/启动时优先加载本地缓存,命中则跳过下载;未命中才下载。缓存包含 config.json 与
ensemble_0.safetensors ~ ensemble_3.safetensors(4 个 ensemble 成员,各约 8.8 MB)。
该目录已被 .gitignore 忽略,不会推送到代码仓库。
python3 inference.py --xyz sample.xyz # 水分子, 输出能量 (eV + Hartree)
python3 inference.py --xyz sample.xyz --forces # 额外输出原子受力 (eV/A)
python3 inference.py --xyz sample.xyz --charge 0 --ensemble 0
python3 inference.py --smiles "O" # 可选, 需要 rdkit (本环境通常未安装)标准 xyz 格式:
3
H2O water molecule (Angstrom)
O 0.000000 0.000000 0.000000
H 0.957200 0.000000 0.000000
H -0.239987 0.926627 0.000000输出示例(水分子,实测,npu:0):
[result] 总能量 (Total Energy):
energy_ev = -2081.049728 eV
energy_hartree = -76.477167 Hartree
[result] 原子电荷 (charges, e):
-0.6948 0.3474 0.3474
[result] 原子受力 (forces, eV/A):
O 0.00381 0.00491 -0.00000
H 0.06078 -0.05098 -0.00000
H -0.06459 0.04607 -0.00000合理性参考:水 H2O 在 wb97m-d3 级别总能量约 -76.4 ~ -76.5 Hartree;甲烷 CH4 约 -40.5 Hartree。
uvicorn inference:app --host 0.0.0.0 --port 8102POST /predict 支持两种请求体:
(a) multipart 上传 xyz 文件(字段名 xyz):
curl -s -X POST http://127.0.0.1:8102/predict \
-F "xyz=@sample.xyz;type=chemical/x-xyz"(b) JSON body:
curl -s -X POST http://127.0.0.1:8102/predict \
-H "Content-Type: application/json" \
-d '{"atoms":[8,1,1],"coords":[[0,0,0],[0.9572,0,0],[-0.239987,0.926627,0]],"forces":true}'返回 JSON(实测响应):
{
"model": "isayevlab/aimnet2-wb97m-d3",
"ensemble_member": 0,
"device": "npu:0",
"natoms": 3,
"energy_ev": -2081.0497283387995,
"energy_hartree": -76.47716693028184,
"charges": [-0.6948, 0.3474, 0.3474],
"atoms": ["O", "H", "H"],
"forces": [[0.00381, 0.00491, -0.0], [0.06078, -0.05098, -0.0], [-0.06459, 0.04607, -0.0]]
}.cuda() / cuda: 等 GPU 专用调用。npu:0:模型与输入张量迁移至 npu:0。init_npu() try-except,导入 torch_npu 失败或 npu:0 不可用时
打印清晰错误并优雅退出。nvalchemiops 邻域核 (Warp) 在 NPU 上报 Invalid device identifier: npu:0 → 改用纯 PyTorch
稠密邻接矩阵。nvalchemiops 核 → 改用 DFTD3._compute_energy_torch(纯 PyTorch)。nse 电荷均衡原地修改 mol_sizes 触发 NPU autograd 报错 → 非原地补丁。python3 inference.py --xyz sample.xyz --forces):成功,npu:0,H2O 能量
-2081.049728 eV / -76.477167 Hartree,见 logs/cli.log。8102,multipart + JSON 两种请求):成功,返回上述 JSON,见 logs/api.log。assets/agent_workflow.png、assets/npu_device_call.png、assets/model_result.png。@article{anstine2025aimnet2,
title={AIMNet2: A Neural Network Potential to Meet your Neutral, Charged, Organic, and Elemental-Organic Needs},
author={Anstine, Dylan and Zubatyuk, Roman and Isayev, Olexandr},
journal={Chemical Science},
year={2025},
doi={10.1039/D4SC08572H}
}MIT