OpenAlphaDiffract 是一个多任务 1D ConvNeXt 模型,接收粉末 X 射线衍射(PXRD) 强度谱(8192 点,归一化到 [0,100]),并同步预测三组结果:
| 输出 | 说明 |
|---|---|
| Crystal system | 晶系,7 类分类(Triclinic → Cubic) |
| Space group | 空间群,230 类分类 |
| Lattice parameters | 晶格参数 [a,b,c](Å) 与 [α,β,γ](°) |
本模型为纯 PyTorch 自包含实现(官方 model.py 不依赖 transformers/Lightning),
属于非 LLM 的 1D 卷积多任务网络。因此不走 vLLM-Ascend,直接使用
torch_npu 在昇腾 910B 上加载推理。
参考论文:arxiv 2603.23367 · 官方仓库:AdvancedPhotonSource/OpenAlphaDiffract
| 项 | 值 |
|---|---|
| 昇腾驱动/CANN | CANN 8.5.1 |
| torch / torch_npu | 2.9.0+cpu / torch_npu 2.9.0.post1 |
| safetensors | 0.4.x |
| numpy | >= 1.26 |
pip install torch safetensors numpy
# 若使用昇腾 NPU:
pip install torch_npuOpenAlphaDiffract/
├── inference.py # 推理脚本(必选,NPU/CPU 双设备,含 --compare 精度对比)
├── model.py # 官方自包含模型定义(vendor,无需改动)
├── config.json # 模型结构配置
├── maxsub.json # 空间群子群邻接表(注册缓冲)
├── model.safetensors # 模型权重
├── README.md
├── requirements.txt
└── assets/
├── agent_workflow.png
├── npu_device_call.png
└── model_result.png将权重与代码放在同一目录(本仓即包含),运行:
# 默认在 npu:0 上推理(确定性合成 PXRD 谱)
python3 inference.py
# 指定设备(第二个 NPU)或 CPU
python3 inference.py --device npu:1
python3 inference.py --device cpu
# CPU/NPU 逐输出精度对比(固定同一输入,公平比对)
python3 inference.py --compareinference.py 命令行参数:
| 参数 | 说明 | 默认 |
|---|---|---|
--device | 推理设备 npu:0 / npu:1 / cpu | npu:0(可用 NPU_DEVICE 环境变量覆盖) |
--compare | 与 CPU 参考逐条对比,打印 cosine / max_err / 逐位一致率 | 关 |
--seed | 合成测试谱随机种子 | 2026 |
输入约定:8192 维强度向量 → 归一化到 [0,100],shape (batch, 8192) 或
(batch, 1, 8192)。
在昇腾 910 上(fp32,输入 (1,8192)):
=== CPU vs NPU 精度对比 ===
cs_logits cosine=1.000000 max_err=5.64e-02
sg_logits cosine=1.000000 max_err=3.46e-02
lp cosine=1.000000 max_err=4.68e-03cosine 全部 = 1.000000,与 CPU 参考一致(max_err 处于 fp32 计算 正常浮点误差范围,且分类/晶格参数最终结果完全一致)。推理耗时约 1.85 ms/次 (warm-up 2 次后稳定),显著快于 CPU。
import torch, torch_npu
import numpy as np
from model import AlphaDiffract
model = AlphaDiffract.from_pretrained(".", device="cpu").to("npu:0").eval()
pattern = np.load("my_pattern.npy").astype(np.float32)
pattern = (pattern - pattern.min()) / (pattern.max() - pattern.min() + 1e-10) * 100.0
x = torch.from_numpy(pattern).unsqueeze(0).to("npu:0")
with torch.no_grad():
out = model(x) # {"cs_logits","sg_logits","lp"}
print(AlphaDiffract.CRYSTAL_SYSTEMS[out["cs_logits"].argmax().item()])https://atomgit.com/hf_mirrors/linked-liszt/OpenAlphaDiffract(hkuring 镜像)。