GGNN
Sin estimación
No hay requisitos de hardware para este modelo
Los pesos de este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en su propio hardware en ningún tamaño. Solo es accesible a través de su proveedor, y ninguna tarjeta gráfica lo cambia.
En registro
Especificación completa
Todo lo registrado para este modelo. La mayoría de ello describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se dedicó a ello y cómo se compara con modelos construidos a una escala diferente.
Origen
¿Quién construyó este modelo, dónde y cuándo fue publicado?
- Organización
- Westlake University,Tsinghua University,Toyota Technological Institute at Chicago
- Tipo de organización
- Academia,Academia,Academia
- País
- China, United States of America
- Publicado
- 5 August 2023
- Autores
- Fang Wu, Lirong Wu, Dragomir Radev, Jinbo Xu and Stan Z. Li
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Biology
- Tarea
- Proteins, Protein interaction prediction, Protein protein binding affinity prediction, Protein representation learning
- Modelo base
- ESM2-650M
Tamaño
Qué tan grande es el modelo y cuántos datos se utilizaron para entrenarlo. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- tokens
Entrenamiento de computación
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de cuán rápido responde el modelo terminado.
- Entrenamiento de computación
- 7.6 × 10²¹ FLOP
- Cómo se estableció
- 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.
El entrenamiento
Lo que se necesitó físicamente para entrenar: qué chips, cuántos, durante cuánto tiempo y qué consumió de la pared.
- Hardware de entrenamiento
- NVIDIA A100 SXM4 80 GB
- Chips usados
- 2
- Consumo de energía
- 1.6 kW
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo cual es lo que decide si alguna de las cifras de la tarjeta gráfica en esta página aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Open source
MIT license https://github.com/smiles724/GNN-Bottleneck
Cómo se clasifica
Etiquetas que aplica el conjunto de datos de origen al rastrear modelos notables y cuán seguro está de la entrada.
- Por qué se rastrea
- SOTA improvement
- Registrar confianza
- Confident
- Citas
- 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."
Fuentes
De dónde proviene este registro y cuándo fue revisado por última vez.
- Referencia
- Integration of pre-trained protein language models into geometric deep learning networks
- Última actualización
- 1 January 2026
Qué significan los números
Background
GGNN was published by Westlake University,Tsinghua University,Toyota Technological Institute at Chicago, in China, in August 2023. It comes out of academia,Academia,Academia.
It works in Biology, and is recorded as doing proteins, Protein interaction prediction, Protein protein binding affinity prediction, Protein representation learning.
It is derived from ESM2-650M rather than trained from scratch, which is the usual way a specialised model is produced.
This is a closed model: the trained values stayed with whoever produced them, and there is no local version to run.
Qué se utilizó para construirlo
Training it took roughly 7.6 × 10²¹ FLOP of computation, on NVIDIA A100 SXM4 80 GB — a measure of what producing the model cost, not of how fast it answers.
Se rastrea en el conjunto de datos subyacente por una razón en particular: mejora sOTA.
Respuestas
GGNN — Preguntas frecuentes
What is GGNN used for?
GGNN works in Biology, and is recorded as handling proteins, Protein interaction prediction, Protein protein binding affinity prediction, Protein representation learning. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
How much compute was used to train GGNN?
Around 7.6 × 10²¹ FLOP, on NVIDIA A100 SXM4 80 GB. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run GGNN?
None. GGNN is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is GGNN open source?
No. GGNN has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does GGNN have?
No parameter count has been published for GGNN, which is why no memory or speed figure appears on this page.
Who created GGNN?
GGNN was published by Westlake University,Tsinghua University,Toyota Technological Institute at Chicago, based in China, categorised as academia,Academia,Academia.
When was GGNN released?
GGNN was published in August 2023. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posee una tarjeta y desea saber todo lo que podrá ejecutar, empiece por el hardware en su lugar.