liuhongwei-2026/OpenAlphaDiffract
Model Introduction
Files & versions
Pull Requests
Discussion
Analysis

OpenAlphaDiffract 在昇腾 NPU 上的部署与推理

适配仓库(AI.AtomGit):liuhongwei-2026/OpenAlphaDiffract 模型来源:linked-liszt/OpenAlphaDiffract(Hugging Face / GitCode hf_mirrors 镜像可拉取) 适配分类:其他(材料科学 · PXRD 粉末 X 射线衍射智能分析)

1. 简介

OpenAlphaDiffract 是先进光子源(Advanced Photon Source)发布的 AlphaDiffract(arxiv:2603.23367)开源实现,是一个多任务 1D ConvNeXt 模型。输入一张 8192 点的粉末 X 射线衍射(PXRD)强度谱,即可同时预测:

任务输出类别/维度
晶系 Crystal system三斜→立方7 类分类
空间群 Space group230 个国际空间群编号230 类分类
晶格参数 Lattice paramsa、b、c(Å)、α、β、γ(°)6 值回归

模型由 ConvNeXt1D 骨干(3 级下采样、GELU、LayerNorm)+ 3 个 MLP 任务头组成,参数量约 8.7M,权重约 35 MB,模型代码自包含(model.py 随权重发布,无 Lightning / transformers 依赖)。

本仓库将其从默认的 cpu/cuda 运行方式适配到 华为昇腾 NPU(Ascend),通过 torch_npu 将推理计算放到 npu:0,模型为纯 PyTorch 标准算子(Conv1d / Linear / GELU / LayerNorm / AvgPool1d 等),零算子改动、零外部建模依赖,并支持单次推理与 HTTP 服务化推理两种用法。

2. 适配状态与方式

项目说明
模型来源linked-liszt/OpenAlphaDiffract(HF / GitCode hf_mirrors / ModelScope 镜像)
参数量8,734,989(约 35 MB model.safetensors)
架构ConvNeXt1D-MultiTask(3 级下采样骨干 + 3 个 MLP 任务头)
输入8192 点 PXRD 强度谱(float32,归一化到 [0,100])
输出晶系(7) + 空间群(230) + 晶格参数(6)
适配方式torch_npu 后端,显式指定 device="npu:0",模型自带的 from_pretrained 直接加载
算子改动零(全为标准算子)
服务化FastAPI + uvicorn,POST /predict 返回 JSON
适配状态成功(已在昇腾 910 NPU 上完成端到端推理验证)
许可与模型一致(BSD 3-Clause)

说明:OpenAlphaDiffract 为材料科学结构化模型(PXRD 谱 → 晶体学参数),不是 LLM,无法使用 vLLM 传统文本服务;本仓库采用 torch_npu + FastAPI 的 NPU 服务化方案,与昇腾推理生态一致。

3. 验证环境

组件版本/说明
操作系统Linux(aarch64)
昇腾工具链CANN 8.5.x(配套 torch_npu)
python3.11
torch2.9.0
torch_npu2.9.0.post1
NPUAscend 910(Ascend910_9362),可用 2 卡

4. 目录结构

OpenAlphaDiffract/
├── inference.py        # 推理脚本(单次推理 + 服务化推理)
├── README.md           # 部署说明文档
├── requirements.txt    # 环境依赖清单
├── model.py            # 模型自包含代码(conv与权重一并发布)
├── config.json         # 架构与超参配置
├── maxsub.json         # 空间群子群图(注册 buffer)
├── model.safetensors   # 模型权重(~35 MB)
└── assets/             # 截图素材
    ├── agent_workflow.png
    ├── npu_device_call.png
    └── model_result.png

*.safetensors 通过 Git LFS 管理(见 .gitattributes),权重入库,拉仓库即得完整可跑环境。

5. 安装与部署

# 1) 拉取权重(若仓库未含,或使用本地镜像源)
pip install -U huggingface_hub && export HF_ENDPOINT=https://hf-mirror.com
huggingface-cli download linked-liszt/OpenAlphaDiffract --local-dir OpenAlphaDiffract

# 2) 创建虚拟环境(建议 Python 3.10+)
python3 -m venv .venv && source .venv/bin/activate

# 3) 安装依赖(先按 CANN 环境安装匹配的 torch/torch_npu,见 requirements.txt 注释)
pip install -r requirements.txt
# 可选服务化依赖:
pip install fastapi uvicorn pydantic

权重也可从 ModelScope 拉取:modelscope download --model <modelscope_id> --local_dir OpenAlphaDiffract。

6. 复现步骤(NPU)

单次推理:

python inference.py --model . --device npu:0

预期输出:

[INFO] 推理设备: npu:0
[INFO] NPU 名称: Ascend910_9362
[INFO] 模型加载完成 (.)
[INFO] 输入 PXRD 点数: 8192
[OpenAlphaDiffract] crystal system : Cubic (39.8%)
[OpenAlphaDiffract] space group    : #191 (17.4%)
[OpenAlphaDiffract] lattice params :
        a =    3.543 Å
        b =    3.800 Å
        c =    4.786 Å
    alpha =   92.915 deg
     beta =   90.508 deg
    gamma =   93.833 deg
{"crystal_system": "Cubic", ...}
SUCCESS

自定义 PXRD 谱文件:

python inference.py --model . --input path/to/pxrd.npy --device npu:0

支持 .npy / .npz / .txt / .csv,长度自动补零 / 截断到 8192,并自动做 [0,100] 归一化。

7. 服务化推理

python inference.py --model . --serve --host 0.0.0.0 --port 8000 --device npu:0

请求示例:

curl -X POST http://127.0.0.1:8000/predict \
  -H "Content-Type: application/json" \
  -d '{"pattern": [0.0, 1.0, 2.0, ...]}'

响应(JSON):

{
  "crystal_system": "Cubic",
  "cs_confidence": 0.398,
  "space_group": 191,
  "sg_confidence": 0.173,
  "lattice": {"a": 3.543, "b": 3.800, "c": 4.786, "alpha": 92.9, ...}
}

8. 缓存与可复现

  • 推理脚本可从 HF 镜像自动下载权重(脚本内 --model 指向本地目录即可)。
  • 脚本输出末尾输出机器可读 JSON,便于做精度 / 性能采样与对比。
  • 权重以 Git LFS 入库,clone 后直接可跑,无需二次下载。

9. 注意事项

  • 输入必须为 float32:PXRD 谱统一 astype(np.float32)(NPU 部分算子不支持 float64)。
  • 模型期望 8192 点、强度归一化到 [0,100] 的谱;脚本已自动做 min-max 归一化与补齐。
  • 模型代码自包含(model.py 随权重发布),非 PyPI 包;本仓库已将其随仓库直接分发,inference.py 直接从仓库导入。

10. 参考

  • 模型卡片:linked-liszt/OpenAlphaDiffract(Hugging Face)
  • 原仓库:AdvancedPhotonSource/OpenAlphaDiffract(GitHub)
  • 论文:AlphaDiffract: Automated Crystallographic Analysis of Powder X-ray Diffraction(arXiv:2603.23367)
  • 使用时请遵守其 BSD 3-Clause 许可协议。

贡献者:liuhongwei-2026 赛道:模型适配赛道(其他)