GGNN
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, daher kann es nicht heruntergeladen oder auf Ihrer eigenen Hardware in beliebiger Größe betrieben werden. Es ist nur über seinen Anbieter erreichbar, und keine Grafikkarte ändert das..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- Westlake University,Tsinghua University,Toyota Technological Institute at Chicago
- Organisationsart
- Academia,Academia,Academia
- Land
- China, United States of America
- Veröffentlicht
- 5 August 2023
- Autoren
- Fang Wu, Lirong Wu, Dragomir Radev, Jinbo Xu and Stan Z. Li
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere davon tragen.
- Domain
- Biology
- Aufgabe
- Proteins, Protein interaction prediction, Protein protein binding affinity prediction, Protein representation learning
- Basis-Modell
- ESM2-650M
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte passt.
- Trainingsdaten
- tokens
Training-Compute
Die Berechnung, die durchgeführt wird, um das Modell zu trainieren, gemessen in Gleitpunktoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.
- Training-Compute
- 7.6 × 10²¹ FLOP
- Wie es etabliert wurde
- Other
ESM-2 650M is very likely the majority of FLOPs, since they only used 2 A100s (ESM-2 650M used 512 V100s for 8 days). As such I'm reporting the compute from ESM-2 650M here only.
Der Trainingslauf
Was es physisch gekostet hat, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Wand gezogen hat.
- Trainingshardware
- NVIDIA A100 SXM4 80 GB
- Verwendete Chips
- 2
- Stromverbrauch
- 1.6 kW
Verfügbarkeit
Ob Sie das Modell beziehen und es auf Ihrer eigenen Hardware ausführen können, bestimmt, ob eine der Grafikkarten-Zahlen auf dieser Seite zutrifft.
- Gewichte
- Closed — provider access only
- Modellzugang
- Unreleased
- Training-Code
- Open source
MIT license https://github.com/smiles724/GNN-Bottleneck
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Warum es verfolgt wird
- SOTA improvement
- Aufzeichnungsgenauigkeit
- Confident
- Zitationen
- 43
"In this work, we integrate the knowledge learned by well-trained protein language models into several state-of-the-art geometric networks and evaluate a variety of protein representation learning benchmarks, including protein-protein interface prediction, model quality assessment, protein-protein rigid-body docking, and binding affinity prediction. Our findings show an overall improvement of 20% over baselines."
Quellen
Woher dieser Datensatz stammt und wann er zuletzt überprüft wurde.
- Referenz
- Integration of pre-trained protein language models into geometric deep learning networks
- Zuletzt aktualisiert
- 1 January 2026
Was die Zahlen bedeuten
Hintergrund
GGNN wurde veröffentlicht von Westlake University,Tsinghua University,Toyota Technological Institute at Chicago, im Land aufgezeichnet als China, während August 2023. Es stammt aus einer Organisation, die kategorisiert ist als academia,Academia,Academia.
Es funktioniert im Bereich von Biology, und wird als die Aufgabe von aufgezeichnet proteins, Protein interaction prediction, Protein protein binding affinity prediction, Protein representation learning.
Anstatt von Grund auf neu trainiert zu werden, ist es abgeleitet von ESM2-650M. Das ist der Grund, warum es die allgemeine Form und Größe des Basis-Modells teilt.
Dies ist ein geschlossenes Modell: die trainierten Werte blieben bei demjenigen, der sie erzeugt hat, und es gibt keine lokale Version zum Ausführen.
Was in den Aufbau geflossen ist
Das Training benötigte ein Rechenbudget von ungefähr 7.6 × 10²¹ FLOP, auf Hardware erfasst als NVIDIA A100 SXM4 80 GB. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Es wird aus einem bestimmten Grund im zugrunde liegenden Datensatz verfolgt: sOTA improvement.
Antworten
GGNN — Häufige Fragen
GGNN— Wofür wird es verwendet?
Es funktioniert im Bereich von Biology, und wird als Bewältigung der Aufgabe von proteins, Protein interaction prediction, Protein protein binding affinity prediction, Protein representation learning. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
GGNN— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 7.6 × 10²¹ FLOP, auf Hardware erfasst als NVIDIA A100 SXM4 80 GB. Das misst, was die Produktion des Modells gekostet hat, und sagt nichts darüber aus, wie schnell es einmal trainiert antwortet — die Inferenzgeschwindigkeit kommt von der MEMORY-BANDWIDTH, nicht vom TRAINING-BUDGET.
GGNN— Welche GPU benötige ich, um es auszuführen?
Dieses ist ein geschlossenes Modell — seine Gewichte wurden nie veröffentlicht, sodass es zu keinem Preis heruntergeladen oder auf Ihrer eigenen Hardware ausgeführt werden kann. Es ist nur über seinen Anbieter erreichbar.
GGNN— Ist es Open-Source?
Nein. Seine Gewichte wurden nicht veröffentlicht, daher existiert es nur als ein Dienst, der von seinem Eigentümer kontrolliert wird.
GGNN— Wie viele Parameter hat es?
Es wurden keine Parameteranzahlen veröffentlicht, weshalb keine Speicher- oder Geschwindigkeitsangaben auf dieser Seite erscheinen.
GGNN— Wer hat es erstellt?
Es wurde veröffentlicht von Westlake University,Tsinghua University,Toyota Technological Institute at Chicago, basiert auf China, eine als kategorisierte Organisation academia,Academia,Academia.
GGNN— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in August 2023. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.