liuhongwei-2026/aimnet2-2025
Model Introduction
Files & versions
Pull Requests
Discussion
Analysis

aimnet2-2025 在昇腾 NPU 上的部署与推理

适配仓库(AI.AtomGit):liuhongwei-2026/aimnet2-2025 模型来源:isayevlab/aimnet2-2025(Hugging Face / ModelScope 镜像可拉取) 适配分类:其他(分子势函数 / 神经原子间势能)

1. 简介

AIMNet2-2025 是 isayevlab 团队发布的第二代 AIMNet2 神经网络原子间势函数,基于 B97-3c 泛函训练,相比原 aimnet2-b973c 改进了分子间相互作用精度。它不依赖电子结构计算即可快速、准确地预测:

  • 总能量 Energy(单位 eV)
  • 原子受力 Forces(eV/Å)
  • 原子部分电荷 Charges(e)及自旋电荷

支持元素覆盖 14 种:H、B、C、N、O、F、Si、P、S、Cl、As、Se、Br、I。 本仓库将其从默认的 cuda/cpu 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,并提供单点计算与 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isayevlab/aimnet2-2025(HF / ModelScope 镜像)
参数量集成集成 4 成员(ensemble_0..3.safetensors),默认加载成员 0
架构原子环境向量 + 消息传递 MLP(截断半径 5.0 Å)
适配方式torch_npu 后端,显式指定 device="npu:0" 覆盖默认 CUDA 自动探测
服务化FastAPI + uvicorn,POST /predict 返回 JSON
适配状态成功(精度/性能需在目标 NPU 机器复核)
许可MIT

说明:AIMNet2 为非 LLM 分子势模型,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(昇腾 910B4 及以上)
CANN5.x(与 torch_npu 匹配)
torch2.x
torch_npu与 torch 同版本
aimnet安装 aimnet[hf,ase]
NPUAscend 910B4

4. 目录结构

aimnet2-2025/
├── inference.py        # 推理脚本(单点计算 + 服务化推理)
├── README.md           # 部署说明文档
├── requirements.txt    # 环境依赖清单
└── assets/             # 截图素材
    ├── agent_workflow.png
    ├── npu_device_call.png
    └── model_result.png

5. 安装与部署

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

# 2) 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

若依赖 aimnet 从海外拉取失败,可先 git clone/下载 hf_mirrors/isayevlab/aimnet2-2025 权重到本地, 再通过本地路径加载(见下文“本地权重缓存”)。

6. 复现步骤(NPU)

单点计算(SMILES)

python inference.py --smiles "CCO" --device npu:0 --charge 0.0 --forces

预期输出:energy(eV)、forces(eV/Å)、charges。日志首行打印:

[aimnet2-2025@NPU] device = npu:0 (Ascend 910B4 ...)
[aimnet2-2025@NPU] 模型加载完成,耗时 xx.xxs

单点计算(XYZ 结构):

python inference.py --xyz water.xyz --device auto

--device auto 会自动识别为 npu → cuda → cpu。

本地权重(离线) 将权重下载(或 clone hf_mirrors/isayevlab/aimnet2-2025)到本地目录后,用本地路径加载:

python inference.py --model /path/to/local/aimnet2-2025 --smiles "CCO" --device npu:0

7. 服务化推理

python inference.py --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 '{"smiles": "CCO", "charge": 0.0, "forces": true}'

响应(JSON):

{
  "energy": [...],
  "forces": [...],
  "charges": [...]
}

8. 缓存与可复现

  • 首次加载模型权重会下载缓存;可通过 HF_HOME 指定缓存目录以便复用。
  • 推理脚本输出末尾带 __RESULT_JSON__ 标记的机器可读 JSON,便于做精度/性能采样与对比。

9. 参考

  • 模型卡片:isayevlab/aimnet2-2025
  • 原仓库:isayevlab/aimnetcentral
  • 使用时请遵守其 MIT 许可协议。

10. 真实运行与已知限制(NPU 适配说明)

本仓库在带 CANN 8.5.1 / torch_npu 的昇腾机器(Ascend910_9362,2 卡)上实测。

已验证 ✅(真实输出)

python3 -c "import torch,torch_npu; print(torch.npu.is_available(), torch.npu.device_count(), torch.npu.get_device_name(0))"
# True 2 Ascend910_9362
python3 inference.py --model <本地权重> --xyz ethanol.xyz --device npu:0
# [aimnet2-2025@NPU] device = npu:0 (Ascend910_9362)
# [aimnet2-2025@NPU] 模型加载完成,耗时 5.57s

即设备识别、权重下载(本地转镜像拉取)与模型在 npu:0 加载均正常。

已知限制 / 已解决的适配(本仓库附带补丁)

AIMNet2 的邻居表(nbmat)与外部 DFT-D3 色散、长程库仑修正均由 nvalchemiops 调用 NVIDIA Warp GPU 内核完成。Warp 只认识 CUDA/CPU,将 device="npu:0" 传给 Warp 会报:

ValueError: Invalid device identifier: npu:0

这些步骤只处理几何/长程修正,是可替换的 CUDA-only 内核;真正由神经网络 forward 负责的原子环境向量/消息传递 MLP 并无 CUDA 专有算子,可留在 NPU 上执行。

本仓库已在 inference.py 提供补丁(--device npu:0 时自动生效):

  1. apply_device_workarounds():将邻居表构建委托到 CPU 计算再搬回 npu:0;同时让 torch.compile 编译失败回退 eager,规避 torch_npu 下 inductor 的 KeyError: 'cpu'/'npu'。
  2. --no-coulomb --no-dispersion:跳过 DFT-D3 / 长程库仑这两个 Warp 外部模块,把纯神经网络留在 NPU。

NPU 真实运行结果(已实测 Ascend910_9362)

python3 inference.py --model <本地权重> --xyz ethanol.xyz --device npu:0 \
     --no-forces --no-coulomb --no-dispersion
[aimnet2-2025@NPU] device = npu:0 (Ascend910_9362)
[aimnet2-2025@NPU] 模型加载完成,耗时 0.73s
{
  "charges": [-0.077, 0.046, -0.267, 0.031, 0.031, 0.026, 0.028, 0.021, 0.161],
  "energy": [-4215.618612]
}
总能量 Energy = -4215.618612 eV
[aimnet2-2025@NPU] 单点计算耗时 1195.86 ms

当前仍受限(需进一步适配)

  • 计算受力(--forces)时,NPU 上 autograd 反向因张量被 in-place 修改报 RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation: [npuLongType [1]]。 单点能量与电荷(无需反向)已正常;forces 需针对 NPU 的 in-place 梯度做进一步处理。

建议的完全适配方向

  1. 验算 energy/charges 后,为 forces 的反向再写一层 numpy/CPU 梯度数值差分,或修复该处 in-place 张量拷贝。
  2. 或等待 aimnetcentral 官方提供 Ascend 后端后直接升级。

11. 拓展:服务化推理

# 环境问题解决后开启 HTTP 服务(FastAPI)
python3 inference.py --serve --host 0.0.0.0 --port 8000 --device npu:0
curl -X POST http://127.0.0.1:8000/predict -H "Content-Type: application/json" \
  -d '{"xyz": "ethanol.xyz", "charge": 0.0, "forces": true}'

贡献者:liuhongwei-2026 赛道:模型适配赛道(其他)