AlphaFold-Multimer
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti tohoto modelu jsou otevřené, ale žádný počet parametrů pro něj nebyl zveřejněn. Každé číslo týkající se paměti a rychlosti vychází z této hodnoty, takže bychom raději nic neukázali, než fabrikaovaný odhad..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- Google DeepMind,DeepMind
- Typ organizace
- Industry,Industry
- Země
- United States of America, United Kingdom of Great Britain and Northern Ireland
- Publikováno
- 4 October 2021
- Autoři
- Richard Evans, Michael O’Neill, Alexander Pritzel, Natasha Antropova, Andrew Senior, Tim Green, Augustin Žídek, Russ Bates, Sam Blackwell, Jason Yim, Olaf Ronneberger, Sebastian Bodenstein, Michal Zielinski, Alex Bridgland, Anna Potapenko, Andrew Cowie, Kathryn Tunyasuvunakool, Rishub Jain, Ellen Clancy, Pushmeet Kohli, John Jumper and Demis Hassabis
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Biology
- Úkol
- Protein folding prediction, Proteins
- Základní model
- AlphaFold 2
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- Výcviková data
- 56,573,952 tokens
- Epochy
- 68
See: https://www.rcsb.org/stats/growth/growth-released-structures for 2018 "We train the model to convergence (approximately 10M samples, for 2 weeks) across 128 TPUv3 cores with a batch size of 1 per TPU core. Then we halve the learning rate and double the number of sequences fed into the MSA stack before running two separate fine-tuning stages (one further day of training each)" 10000000/147328 ~ 68 epochs
Výpočty pro trénink
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál tréninkový běh, ne jak rychle hotový model na vás odpovídá.
- Výpočty pro trénink
- 4.4 × 10²¹ FLOP
- Jak bylo ustanoveno
- Hardware
Section: 2.5. Training Regimen "We train the model to convergence (approximately 10M samples, for 2 weeks) across 128 TPUv3 cores [...]. Then we [...] run two separate fine-tuning stages (one further day of training each)" Assuming: FP16 and utilization 0.4 Calculation: (14+2) days * 24 hours/day * 60 min/hour * 60 sec/min * (128 TPU cores/2 cores per chip) * 1.23e14 FLOP/s per chip * 0.4 utilization = 4.35e21 FLOPs
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- Google TPU v3
- Používané čipy
- 64
- Čip-hodiny
- 24,576
- Doba reálného času
- 384 hours (16 days)
- Příkon
- 58.1 kW
- Náklady na výpočet
- $7,966
Section: 2.5. Training Regimen "We train the model to convergence (approximately 10M samples, for 2 weeks) across 128 TPUv3 cores [...]. Then we [...] run two separate fine-tuning stages (one further day of training each)"
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.
- Hmotnosti
- Open — downloadable
- Přístup k modelu
- Open weights (unrestricted)
- Tréninkový kód
- Unreleased
While the AlphaFold code is licensed under the Apache 2.0 License, the AlphaFold parameters and CASP15 prediction data are made available under the terms of the CC BY 4.0 license https://github.com/google-deepmind/alphafold
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Proč je to sledováno
- Highly cited,SOTA improvement
- Záznam důvěry
- Confident
- Citace
- 2,694
"On a benchmark dataset of 17 heterodimer proteins without templates (introduced in [2]) we achieve at least medium accuracy (DockQ [3] ≥ 0.49) on 14 targets and high accuracy (DockQ ≥ 0.8) on 6 targets, compared to 9 targets of at least medium accuracy and 4 of high accuracy for the previous state of the art system (an AlphaFold-based system from [2])" "For heteromeric interfaces we successfully predict the interface (DockQ ≥ 0.23) in 67% of cases, and produce high accuracy predictions (DockQ …
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- Protein complex prediction with AlphaFold-Multimer
- Nap poslední aktualizace
- 1 January 2026
Co čísla znamenají
Pozadí
AlphaFold-Multimer byl zveřejněn Google DeepMind,DeepMind, v zemi zaznamenané jako United States of America, během October 2021. Vydavatelská organizace je kategorizována jako industry,Industry.
funguje v oblasti Biology, a je zaznamenán jako vykonávající úkol protein folding prediction, Proteins.
Místo toho, aby byl trénován od nuly, je odvozen z AlphaFold 2. To je obvyklý způsob, jak je specializovaný model vytvářen.
Zveřejněné váhy znamenají, že model běží na vašem stroji, nikoli na stroji někoho jiného, což činí otázku ohledně hardwaru níže odpovídatelnou.
Jak bylo trénováno
Trénování si vyžádalo výpočetní rozpočet přibližně 4.4 × 10²¹ FLOP, na hardwaru zaznamenáno jako Google TPU v3. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Tréninková sada běžela na přibližně 56,573,952 tokeny textu
Je sledováno v základním datasetu z jednoho konkrétního důvodu: highly cited,SOTA improvement.
Odpovědi
AlphaFold-Multimer — běžné otázky
AlphaFold-Multimer— K čemu se to používá?
funguje v oblasti Biology, a je zaznamenáno jako zpracovávající úkol protein folding prediction, Proteins. Toto jsou oblasti, kolem nichž byl navržen; popisují záměr spíše než tvrdou hranici.
AlphaFold-Multimer— kde si to mohu stáhnout?
Váhy jsou zveřejněny, i když nemáme odkaz na repozitář. Tato stránka vypočítává hardwarové požadavky spíše než aby hostila modelové soubory.
AlphaFold-Multimer— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 4.4 × 10²¹ FLOP, na hardwaru zaznamenáno jako Google TPU v3. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.
AlphaFold-Multimer— Jakou GPU potřebuji k jejímu spuštění?
Nemůžeme říct. Má otevřené váhy, ale žádný počet parametrů pro něj nebyl zveřejněn a každý výpočet paměti a rychlosti začíná od toho čísla. Raději bychom ukázali nic než vykonstruovaný odhad.
AlphaFold-Multimer— Je to OPEN SOURCE?
Jeho váhy jsou zveřejněny, takže si je lze stáhnout a spustit na vlastním hardwaru. Všimněte si, že open WEIGHTS není totéž co open SOURCE v plném smyslu — neříká nic o tréninkových datech, tréninkovém kódu nebo obchodních podmínkách připojených.
AlphaFold-Multimer— kolik má parametrů?
Pro něj nebyl zveřejněn žádný počet parametrů, a proto se na této stránce neobjevují žádné údaje o paměti nebo rychlosti.
AlphaFold-Multimer— Kdo to vytvořil?
Bylo to publikováno společností Google DeepMind,DeepMind, zakládající se na United States of America, organizace zařazená jako industry,Industry.
AlphaFold-Multimer— Kdy byl vydán?
Bylo to zveřejněno v October 2021. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.