将 HuggingFace 模型 isayevlab/aimnet2-wb97m-d3 适配并部署到华为昇腾(Ascend)NPU 上,实现基于 AIMNet2 图神经网络的化学势能 单点预测(能量 / 原子力 / 原子电荷 / 偶极矩 / 四极矩)的服务化推理与离线推理。
| 项目 | 内容 |
|---|---|
| 模型来源 | isayevlab/aimnet2-wb97m-d3(HF / hf-mirror,约 34MB,4 个 ensemble safetensors) |
| 模型类型 | 计算化学 / 神经网络势(NNP / MLIP),AIMNet2 图神经网络 |
| 元素覆盖 | H, B, C, N, O, F, Si, P, S, Cl, As, Se, Br, I(14 种主族与卤素元素) |
| 任务 | 单点能量(eV)、原子力(eV/Å)、原子电荷(e)、偶极矩/四极矩 |
| DFT 级别 | ωB97M-D3(BJ) |
| 精度 | FP32 |
| 部署方式 | torch_npu 原生推理(纯 torch 路径)+ HTTP 服务化(/predict、/health) |
| NPU 设备 | Ascend 910(npu-smi 25.5.5) |
官方
AIMNet2Calculator在构邻居表时依赖 NVIDIA Warp / CUDA-only (nvalchemiops.neighbor_list与conv_sv_2d_sp),昇腾 NPU 上会抛Invalid device identifier: npu:0。本项目改用纯 torch 的 nb_mode=0 (全连接距离窗 + 余弦/指数截断包络)直接驱动aimnet.models.AIMNet2.forward, 输出与邻居表策略物理等价——详见第 6 节适配说明。
AIMNet2-wb97m-d3(isayevlab, MIT)是一个面向主族与卤素元素有机物的神经
网络势,在 ωB97M-D3(BJ) 精度下输出分子能量、力、电荷与静电矩。4 个 ensemble
成员可用于不确定性估计。能量约定为逐元素 shift 后的电子能量标度(eV),
仅在同一模型家族内比较差值才有物理意义(如反应能、能垒)。
输入 numbers[1,N] 原子序数(14 种) + coord[1,N,3]
├─ 嵌入 a # features -> [1,N, nfeature=16]
├─ AEV(原子环境向量)
│ d_ij = ||r_i - r_j|| (全连接对, 由截断包络在 cutoff 内保留, rc_s=5.0A)
│ -> Gaussian 展开 + cosine/exp 截断包络 -> SV 特征 # 避开 CUDA conv_sv
├─ AIMNet2 消息传递 (*npass:3 组 512/380 MLP, GELU)
├─ Output (energy_mlp): MLP(256->128->128) + last_linear -> energy_ai
├─ AtomicShift / AtomicSum: 逐元素 shift + 原子求和 -> 分子能量
├─ SRCoulomb: 短程库仑 (rc=4.6A, exp envelope, 内嵌) 叠加到能量
└─ Dipole / Quadrupole: 由原子电荷计算分子偶极/四极官方权重以
ensemble_[0..3].safetensors+config.json(model_yaml)保存, 本项目复用aimnet库的load_from_hf_repo(纯 torch 构建)逐层严格加载。 默认加载ensemble_0,可--member切换。
| 组件 | 版本 |
|---|---|
| OS / Arch | Linux / aarch64 |
| Python | 3.11 |
| PyTorch | 2.9.0 |
| torch-npu | 2.9.0.post1(gitee7ba04) |
| CANN | 8.5.1 |
| aimnet | 0.2.0 |
| safetensors | 0.8.0 |
| numpy | 1.26.4 |
aimnet2-wb97m-d3/
├── inference.py # 昇腾 NPU 推理 + HTTP 服务化脚本(必选)
├── README.md # 本说明文档(必选)
├── requirements.txt # 环境依赖清单(推荐)
├── config.json # 模型配置(model_yaml)
├── ensemble_*.safetensors # 4 个 ensemble 权重
└── assets/ # 部署截图素材(agent_workflow/npu_device_call/model_result)# 环境安装(在已装好 torch_npu 的昇腾环境里)
pip install -r requirements.txt
# 内置氨单点能量(npu:0)
python inference.py --weights . --device npu:0 --example
# 读取 XYZ 文件,并计算原子力
python inference.py --weights . --device npu:0 --xyz input.xyz --forces
# 换 ensemble 成员(0-3)
python inference.py --weights . --device npu:0 --member 1 --example
# 服务化推理(/predict + /health)
python inference.py --weights . --device npu:0 --serve --port 8000
# 另开终端 curl 调用
curl -s http://127.0.0.1:8000/predict \
-H 'Content-Type: application/json' \
-d '{"coords":[[0,0,0],[1.02,0,0],[-0.51,0.8833,0],[-0.51,-0.8833,0]],
"numbers":[7,1,1,1],"charge":0.0}'
curl -s http://127.0.0.1:8000/health[load] ensemble member 0 on npu:0
[result] 体系: ammonia (built-in)
能量 energy: -1530.71 eV
atomic charges: [-0.907, 0.302, 0.302, 0.302]单点能量约为 -1530.71 eV —— 符合 AIMNet2 的逐元素 shift 电子能标度, 不能当作绝对 ωB97M-D3 电子能量,仅用于同模型下能量差(能垒、反应能) 比较。
AIMNet2Calculator 的邻居表 n5valchemiops.neighbor_list 依赖 NVIDIA Warp
(仅 cuda 后端)。昇腾上会 ValueError: Invalid device identifier: npu:0。d2features=true 触发 conv_sv_2d_sp(注册时仅 device_types=["cuda"]),
对 NPU 会落到纯 torch 的 einsum 分支(见 aimnet/modules/aev.py)。nb_mode=0(全连接距离窗口) 直接调用 aimnet.models.AIMNet2.forward;
nbops 邻居索引(index_select/scatter_add_)本身是纯 torch,可在 NPU
执行;cutoff(5.0A) 外的对由截断包络自动置零,与邻居表策略数值等价。coulomb_mode: sr_embedded);如需完整 wb97m-D3 色散,可另行在纯
torch 中实现 DFT-D3(本交付聚焦 NPU 可跑通的模型内嵌推理)。torch.autograd.grad,NPU 上同样可用。| 方法/路径 | 描述 |
|---|---|
GET /health | 探活,{"status":"ok","device":"npu:0"} |
POST /predict | 单点推理 |
/predict 请求 JSON:
{
"coords": [[0,0,0], [1.02,0,0], ...], // [N,3] 坐标 (Angstrom)
"numbers": [7, 1, 1, 1], // [N] 原子序数 (14种)
"charge": 0.0,
"forces": false
}响应 {"energy_eV":…, "charges_e":[…], "dipole":[…], "quadrupole":[…], "forces":…}。
inference.py:模型加载 / 单点推理 / HTTP 服务化。ensemble_*.safetensors:4 个 ensemble 成员权重(8.8MB each)。config.json:模型配置与 metadata(model_yaml、cutoff、coulomb、species)。assets/:部署截图(agent_workflow / npu_device_call / model_result)。