ohhoohho/OpenAlphaDiffract
Model Introduction
Files & versions
Pull Requests
Discussion
Analysis

OpenAlphaDiffract · 昇腾 NPU 适配

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

环境

项值
昇腾驱动/CANNCANN 8.5.1
torch / torch_npu2.9.0+cpu / torch_npu 2.9.0.post1
safetensors0.4.x
numpy>= 1.26
pip install torch safetensors numpy
# 若使用昇腾 NPU:
pip install torch_npu

项目结构

OpenAlphaDiffract/
├── 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

快速开始

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 --compare

关键参数

inference.py 命令行参数:

参数说明默认
--device推理设备 npu:0 / npu:1 / cpunpu: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)。

精度与性能

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-03

cosine 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。

使用示例(加载并推理)

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()])

注意事项

  • NPU 首次算子编译/调用有偏差,推理统计前会 warm-up 2 次,结果以第 2 次之后为准。
  • 部署是直接 torch_npu 加载推理,不走 vLLM-Ascend(非 LLM)。
  • 权重来源:https://atomgit.com/hf_mirrors/linked-liszt/OpenAlphaDiffract(hkuring 镜像)。