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)
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:
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。
| 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。
| 组件 | 版本/说明 |
|---|---|
| 操作系统 | Linux(昇腾 910B4 及以上) |
| CANN | 5.x(与 torch_npu 匹配) |
| torch | 2.x |
| torch_npu | 与 torch 同版本 |
| aimnet | 安装 aimnet[hf,ase] |
| NPU | Ascend 910B4 |
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# 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”)。
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:0python 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": [...]
}HF_HOME 指定缓存目录以便复用。__RESULT_JSON__ 标记的机器可读 JSON,便于做精度/性能采样与对比。isayevlab/aimnet2-2025isayevlab/aimnetcentral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_9362python3 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):
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'。--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)
--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
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。# 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)