Star50
9
代码
代码
Issues
Pull Requests
Actions
项目讨论
Wiki
分析
Star50
9
cann-robotcann-robotfix: remove TimeSeries and MeshGraphNet references, update README
659df70d创建于 6月12日历史提交

类型

  • 新功能
  • 代码重构
  • 文档内容更新
  • 构建过程或辅助工具的变动

概述

本 PR 是 mat-chem-sim-pred 仓库的一次重大架构升级，将仓库从一个面向化工行业的算子库，升级为覆盖材料、化工、钢铁、油气等工业研发与生产业务的模拟仿真类和预测优化类全链路平台。共提交 10 个 commit，229 个文件变更，+11,793 / -236 行。

一、仓库架构重构

1.1 顶层目录重组（commit f262a90）

将原有平铺结构重构为两大方向：

mat-chem-sim-pred/
├── simulation/                        # 科学计算方向
│   ├── MaterialPropertyPrediction/    #   材料性质预测与结构生成
│   ├── AI4MD/                         #   机器学习分子动力学
│   └── AI4PDE/                        #   AI for PDE
├── prediction/                        # 预测优化方向
│   ├── TabularData/                   #   表格类数据预测预训练模型
│   ├── TimeSeries/                    #   时序类数据预测预训练模型
│   └── SmallData/                     #   小数据预测优化模型
├── template/                          #   算子贡献模板
├── tutorial/                          #   教学 Notebook
├── roadmap.md                         #   开发路线图
└── FAQ.md                             #   常见问题

1.2 路线图与子领域文档（commit 8fd303f）

  • roadmap.md: 9 次迭代的开发路线图，覆盖 6 个子领域的 100+ 个算子开发计划
  • template/: 4 个标准模板文件 — algorithm.md（算法说明）、references.md（参考文献）、operator_example.md（算子代码框架）、test_architecture.md（测试架构），为后续社区贡献提供统一规范
  • 6 个子领域 README: 每个子目录下均添加了 README.md，包含领域背景、核心模型/算法、CANN 实现要点和应用场景

二、科学计算方向 — Ascend C 算子实现

2.1 机器学习分子动力学（AI4MD）✅

已有完整的 Ascend C 算子实现（继承自 master 原有代码，本 PR 中进行了文件移动重组）：

算子 目录 功能
Lennard-Jones simulation/AI4MD/Lennard_Jones/ LJ 12-6 势能力场计算，包含 Host/Kernel/UT/benchmark
GAFF2 simulation/AI4MD/GAFF2/ GAFF2 通用力场，支持键/角/二面角/非键相互作用
PME simulation/AI4MD/PME/ Particle Mesh Ewald 长程静电计算，含 Ewald 实空间/倒空间/FFT 加速
SHAKE simulation/AI4MD/SHAKE/ SHAKE 键长约束算法
Velocity Verlet simulation/AI4MD/velocity-verlet/ Velocity Verlet 时间积分器 + 恒温器
DPD simulation/AI4MD/Dissipative_particle_dynamics/ 耗散粒子动力学

2.2 AI for PDE（commit d6410a4）✅

新增 4 个 AI4PDE 子方向的完整 Ascend C 算子实现：

算子 目录 内容
PINN simulation/AI4PDE/pinn/ 物理信息神经网络推理算子（Host + Kernel + UT）
FNO simulation/AI4PDE/fno/ 傅里叶神经算子（频谱卷积 + 非线性变换）
DeepONet simulation/AI4PDE/deeponet/ 深度算子网络（Branch Net + Trunk Net）
MeshGraphNet simulation/AI4PDE/mesh_graph_net/ 网格图网络（图卷积 + 消息传递）
pde_common simulation/AI4PDE/pde_common/ PDE 公共工具模块

2.3 材料性质预测（commit d6410a4）

  • DAO PyTorch 算子库 (simulation/MaterialPropertyPrediction/DAO/): 基础材料科学算子参考库，包含原子描述符计算、图构建、特征变换等核心模块

三、预测优化方向 — PyTorch 参考实现

3.1 表格类数据预测（commit 8d96f42）🔧

模型 文件 内容
TabNet prediction/TabularData/tabnet.py (261 行) SparseMax / GLU Block / FeatureTransformer / AttentiveTransformer / Encoder / Classifier / Regressor
测试 prediction/TabularData/test_tabnet.py (146 行) 合成数据分类 + 回归 + 特征重要性测试

3.2 时序类数据预测（commit 8d96f42）🔧

模型 文件 内容
TimesNet prediction/TimeSeries/timesnet.py (233 行) FFT 周期发现 / InceptionBlock / TimesBlock / 多周期折叠卷积
测试 prediction/TimeSeries/test_timesnet.py (149 行) 单变量 + 多变量时序预测测试

3.3 小数据预测优化（commit 8d96f42）🔧

模型 文件 内容
高斯过程回归 prediction/SmallData/gpr.py (317 行) RBF/Matern/RQ 核函数 / GP 回归 / 边际似然 / EI/UBC/PI 采集函数 / 贝叶斯优化器 / NumPy 兼容接口
核函数 prediction/SmallData/kernels.py (187 行) RBF / Matern / RationalQuadratic / Periodic / Linear / WhiteNoise 及组合核
测试 prediction/SmallData/test_gpr.py (218 行) GP 回归拟合 + 预测 + 贝叶斯优化完整流程

3.4 Python 包结构修复（commit 7d239a6）

  • 为 prediction/、TabularData/、TimeSeries/、SmallData/ 创建 __init__.py 文件
  • 修复 EI/PI 采集函数中的设备不匹配问题（torch.tensor 未指定 device/cuda）
  • 修复 test_gpr.py 函数内局部导入问题
  • 添加 log_marginal_likelihood() 未 fit 的友好错误处理

四、教学与入门体系（commit ef3d7d2）

Notebook 文件 主题
00 tutorial/00_Environment_Setup.ipynb 环境准备（Python/PyTorch/CANN 检查）
01 tutorial/01_AscendC_Basics.ipynb Ascend C 基础（算子结构/开发流程/构建）
02 tutorial/02_MaterialPrediction.ipynb 材料性质预测（晶体 GNN/DAO 算子库）
03 tutorial/03_AI4MD_Tutorial.ipynb 机器学习分子动力学（LJ 力场/MD 流程）
04 tutorial/04_AI4PDE_Tutorial.ipynb AI for PDE（PINN/FNO/DeepONet/MeshGraphNet）
05 tutorial/05_TabularData.ipynb 表格数据预测（TabNet/特征选择）
06 tutorial/06_TimeSeries.ipynb 时序数据预测（TimesNet/周期发现）
07 tutorial/07_SmallData.ipynb 小数据预测（GP 回归/贝叶斯优化）

共 8 个 Jupyter Notebook，覆盖环境搭建、基础教学和 6 个子领域的算子和模型使用。

五、基础设施与 DevOps（commit 4f43db9）

5.1 CI/CD 流水线

文件 用途
.gitcode/workflows/ci.yml 代码风格检查 + PyTorch 模型测试（Lint + pytorch-tests）
.gitcode/workflows/operator-build.yml Ascend C 算子构建与测试（7 个 Job：LJ/GAFF2/PME/SHAKE/VV/PINN/FNO/DeepONet/MeshGraphNet/DPD），使用 YAML anchor 消除冗余配置
.gitcode/workflows/nightly.yml 夜间构建（全量算子构建 + 性能基准测试）

5.2 开发容器

文件 用途
.devcontainer/Dockerfile 基于 Ubuntu 22.04，预装 cmake/gcc/Python/PyTorch/CANN 依赖
.devcontainer/devcontainer.json VS Code DevContainer 配置（环境变量/扩展/挂载）
.devcontainer/setup.sh 容器启动后自动配置脚本（环境验证/依赖安装/hooks）

5.3 仓库配置

文件 用途
.gitignore 排除 Reference/（外部参考仓库）、__pycache__/、*.pyc
AGENTS.md AI 开发辅助规则

六、文档体系

6.1 FAQ（commit 52852c3 → f2bac1c）

FAQ.md 涵盖：

  • 仓库定位说明（Accend C + PyTorch 双轨制）
  • SIMT vs SIMD 架构差异对比表
  • FP64 精度支持情况与替代方案
  • Ascend 910B/910C/950 系列芯片支持矩阵
  • PyTorch 代码如何在 Ascend 上运行
  • 如何选择 Ascend C 直接开发 vs pypto 迁移

6.2 README 更新（多次迭代）

  • 重新定义仓库定位：覆盖材料、化工、钢铁、油气等工业领域
  • 添加 6 个重点关注领域表格（含状态/目标/关键算子）
  • 添加贡献模板说明
  • 添加 18 个 CANN 官方参考仓库章节（按基础数学库/开发标准与调试/AI Kernel 生成/相关参考库分类）
  • 添加 FAQ 跳转链接

如何测试

1. 预测优化 PyTorch 模型测试

cd prediction
python -m pytest TabularData/test_tabnet.py -v
python -m pytest TimeSeries/test_timesnet.py -v
python -m pytest SmallData/test_gpr.py -v

2. CI 流水线（需 CANN 环境）

# CI: Lint + PyTorch 测试
# 自动化在 .gitcode/workflows/ci.yml 中定义

# 算子构建
# 自动化在 .gitcode/workflows/operator-build.yml 中定义

3. Tutorial 使用

cd tutorial
jupyter notebook 00_Environment_Setup.ipynb

Checklist

  • 我的代码遵循这个项目的代码风格
  • 我已经自己测试过我的代码
  • 我已经更新了相应的文档
  • 我已经根据需要更新了对应的变更日志
  • 我已经在标题中正确使用了类型标签

其他信息

变更统计

  • 229 个文件变更
  • +11,793 行插入 / -236 行删除
  • 10 个 commit

后续计划

  1. 预测优化方向（TabularData/TimeSeries/SmallData）从 PyTorch 参考实现逐步迁移为 Ascend C 高性能算子
  2. 材料性质预测方向补充晶体图神经网络的 Ascend C 实现
  3. 完善各算子的精度对比和性能基准数据

Reviewer 关注点

  • simulation/AI4MD/ 下的原有算子文件仅进行了目录移动重组，算子逻辑无变更
  • prediction/ 下的 PyTorch 实现为参考代码，后续将作为 Ascend C 迁移的 base
  • CI 配置中的 YAML anchor 模式请确认与 GitCode Actions runner 兼容