DeepChem是一个高质量的开源深度学习工具链，致力于推动深度学习在药物发现、材料科学、量子化学和生物学等领域的广泛应用。该项目为科学计算领域提供了端到端的机器学习解决方案，从数据加载、特征工程到模型训练和评估，覆盖了完整的科学AI工作流。DeepChem在GitHub star数约7k，声明使用DeepChem套件的企业和高校超过33家（包括IBM Watson等）。其中，基于DeepChem的ChemBERTa模型（分子表示学习），在HuggingFace上月下载量超过20w。

• 全流程覆盖：数据加载、特征工程、模型训练、评估与部署，覆盖完整科学AI工作流

• 模型丰富：已完成35个模型昇腾NPU适配，覆盖分子生成、分子性质预测、量子化学、材料科学等11大场景

• 数据集生态：提供MoleculeNet基准数据集集，包含Tox21、Delaney、QM9等化工领域标准数据集

• 框架兼容：提供PyTorch实现，支持PyTorch Lightning分布式训练框架

DeepChem在AI4S领域提供了大量SOTA模型，支持以下典型场景：

长期以来，DeepChem框架原生仅支持CPU/GPU运行，AI4S模型难以直接在昇腾AI软硬件平台高效运行，限制了分子智能与科学计算领域的自主创新应用落地。为进一步拓宽AI4S算力生态适配边界，充分释放昇腾AI基础软硬件在基础科研场景的算力效能，DeepChem适配昇腾专项攻坚项目已启动。该项目旨在完成DeepChem框架与昇腾AI基础软硬件平台深度适配，实现各类模型在昇腾NPU上高效、稳定运行，为AI4S前沿科研创新提供更强算力支撑。

DeepChem-Ascend的设计沿用DeepChem原有的分层架构，实现层面遵循开闭原则，只扩展，不修改，既保留了DeepChem原有的灵活性，也为昇腾AI基础软硬件平台提供了统一、高效、可扩展的运行支持。

• 框架适配：锁定基类设备检测链，一键改写派生全局生效，model.to(device)触发H2D迁移，算子自动路由

• Lightning分布式训练适配：在Lightning插件层做扩展，而非修改DeepChem核心或Lightning源码；插件扩展方式使NPU适配对上层用户透明——只需传accelerator="npu", strategy="ddp_npu"即可

• NPU加速器插件：提供NPUAccelerator类，通过torch.npu.is_available()自动检测设备

• DDP分布式策略：提供NPUDDPStrategy类，使用HCCL作为分布式通信后端

NPU加速器插件实现：

class NPUAccelerator(Accelerator):    """Ascend NPU 硬件加速器"""    @staticmethod    def is_available() -> bool:        return torch.npu.is_available()

DDP分布式策略实现：

class NPUDDPStrategy(DDPStrategy):    """专为 Ascend NPU 优化的 DDP 策略"""    def __init__(self, process_group_backend: str = "hccl", **kwargs):        # 使用 HCCL 作为分布式通信后端        os.environ.setdefault("HCCL_WHITELIST_DISABLE", "1")

DeepChem-Ascend的目标不止是让模型在昇腾上“跑起来”，更是依托昇腾软硬件深度协同让模型“跑得更快”。

NPU原生算子加速

借助昇腾CANN高性能算子库，模型核心计算自动路由至NPU算子高效执行。分子图模型中的SpMM稀疏矩阵乘、ChemBERTa等Transformer模型的Attention/GEMM等算子均获得NPU原生加速，相比CPU显著降低单步训练耗时。

多卡分布式训练近线性扩展

基于HCCL通信后端的DDP策略，训练性能随卡数显著提升。以ClinTox数据集（1184样本）分子毒性预测、MultitaskClassifier模型30 epoch训练为例，实测指标如下：

数据解读：4卡DDP训练耗时由单卡21.73s缩短至12.47s，加速比达1.74x、性能提升42.6%。

目前DeepChem-Ascend已完成35个模型的NPU单卡验证适配，覆盖分子生成、分子性质预测、量子化学、材料科学、催化剂设计、蛋白质设计、化学语言模型、分子表示学习、物理仿真、多任务学习与逻辑推理共11大场景：

DeepChem-Ascend通过集成PyTorch Lightning实现分布式训练能力，已支持单机多卡DDP训练：

ClinTox数据集用于预测分子在临床试验中的毒性和FDA批准状态，是药物安全性评估的标准基准。以下示例展示基于DeepChem-Ascend在NPU上进行分子性质预测训练：

# 安装deepchem-ascend二进制包pip install "deepchem-ascend[torch]"# 进入容器后验证 NPU 可用python -c "import torch; import torch_npu; print(torch.npu.is_available())"import osimport deepchem as dcfrom deepchem.models.lightning.trainer import LightningTorchModelimport torch# 获取分布式训练环境变量rank = int(os.getenv("RANK", "0"))world_size = int(os.getenv("WORLD_SIZE", "1"))local_rank = int(os.getenv("LOCAL_RANK", "0"))print(f"当前进程 RANK: {rank}, 全局进程数: {world_size}, 本地设备号: {local_rank}")# 加载 ClinTox 数据集（临床试验毒性预测）tasks, datasets, _ = dc.molnet.load_clintox()_, valid_dataset, _ = datasets# 创建多任务分类模型model = dc.models.MultitaskClassifier(    n_tasks=len(tasks),      # 任务数量    n_features=1024,         # 特征维度    layer_sizes=[1000],      # 网络层结构    dropouts=0.2,            # Dropout 比例    learning_rate=0.0001,    # 学习率    device="npu",            # 指定 NPU 设备    batch_size=16            # 批次大小)# 配置 Lightning 分布式训练器trainer = LightningTorchModel(    model=model,    batch_size=16,    devices=world_size,          # 使用全部 NPU 设备    strategy="ddp_npu",          # NPU 分布式策略    accelerator="npu",           # NPU 加速器    log_every_n_steps=1,         # 日志记录频率    fast_dev_run=False           # 正常训练模式)# 执行训练trainer.fit(valid_dataset, nb_epoch=30, num_workers=0)

基于ClinTox数据集（1184样本），使用MultitaskClassifier模型进行30 epoch多卡DDP训练：

# 单卡训练torchrun --nproc_per_node=1 --master_port=29500 test_train.py# 单机 2 卡分布式训练torchrun --nproc_per_node=2 --master_port=29500 test_train.py# 单机 8 卡全量训练torchrun --nproc_per_node=8 --master_port=29500 test_train.py

多卡训练执行成功后输出：当前进程RANK信息、数据集加载状态、模型训练进度日志、训练完成确认。数据集仅1184样本，使用8卡DDP通信同步开销占比过高，效果不及4卡。建议小数据集分布式训练2-4卡效果更佳。

昇腾持续推动DeepChem在AI4S场景落地，现已完成35个模型NPU适配，覆盖11大应用场景。

其中，AttentiveFP、GAT等11个DGL图神经网络模型，依托DGL-Ascend项目实现NPU原生支持。该项目在DGL C++ Runtime层扩展AscendDeviceAPI，内置SpMM等核心图算子，使上层代码无需修改即可迁移至昇腾NPU。后续DGL-Ascend将合入CANN OpsGNN算子加速库，为DeepChem图模型提供更深层的性能优化与更广的硬件覆盖。

下一步将重点推进性能调优与精度对齐验证，欢迎分子智能与科学计算领域的开发者参与共建或反馈使用体验。

开源代码仓地址：

• GitCode地址：
  https://gitcode.com/AI4Science/deepchem-ascend