MACE设备、精度与模型转换

下载本专题输入、Si实算数据、教学模型与工具（ZIP）。本例环境为MACE 0.3.16、Python 3.11、PyTorch 2.8.0+cu126与e3nn 0.4.4。MACE通过Python/PyTorch运行，模型文件本身不等同于LAMMPS插件。

1 确认环境#

module load mace/0.3.16
python -c 'import torch,mace; print(torch.__version__); print(torch.cuda.is_available())'

cuda.is_available() 需要在已分配GPU资源内看才有意义。载入模块不等于申请到GPU。训练入口 bash train.sh scratch64-s13 会通过Slurm申请单张P100；distributed64 则申请两张。

2 FP64与FP32的实际差异#

固定同一份MACE-MPA-0模型，对48个相同Si构型分别做CPU FP64、P100 FP64、V100 16G FP64及两个GPU上的确定性FP32推断。

bash run.sh
cat analysis/precision.csv

FP32示例使用 CUBLAS_WORKSPACE_CONFIG=:4096:8 和 torch.use_deterministic_algorithms(True)。默认非确定性FP32下，两次独立前向的virial会出现约1E-5 eV的小差，不能要求每次逐位一致。这是浮点计算问题，不是重新训练的精度保证。本表是数值一致性，不是GPU加速比。

3 转换设备标签#

bash calculate.sh convert
ls work/scratch-cpu.model

助手实际调用：

mace_convert_device models/scratch64-s13.model --target_device cpu   --output_file work/scratch-cpu.model

自己新训练的GPU模型可直接提交转换作业：

bash convert-new.sh work/train-scratch64-s13/models/scratch64-s13.model

这一步申请单张P100完成原生转换，输出 work/trained-cpu.model。上面的 calculate.sh convert 则演示附件现成CPU模型的转换工具。

GPU上保存的模型可能在嵌套TorchScript中保留CUDA信息。仅给加载函数加 map_location=cpu 不一定足够；需要在可以读取原模型的GPU环境中调用转换工具。这里的新文件是CPU副本，原权重保留。实际还做了CPU→CUDA→CPU往返，再在CPU对独立测试集检查E、F、应力、virial，差均小于 1E-8。

4 改精度不是改设备标签#

from mace.calculators import MACECalculator
calc = MACECalculator(model_paths="models/scratch64-s13.model",
                      device="cuda", default_dtype="float32")

这段代码应放入申请到GPU的计算脚本中。device 选择CPU/GPU，default_dtype 选择浮点精度，mace_convert_device 处理保存模型的设备信息；三者作用不同。改变为FP32后，应重新检查目标性质所需误差。

5 结果如何核对#

bash calculate.sh eval
cat work/eval-metrics.json
head -n 4 work/predictions.xyz

物理virial采用 -V × ASE应力。比较应在同一结构、相同晶胞、同一模型头和相同单位下进行。当前教程实测了CPU/P100/V100 16G推断；训练示例使用P100。可选cuEquivariance加速未用于本次结果，不把未安装的扩展当成可用功能。