Fold2Seq
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
- IBM,Texas A&M
- Tipo de organización
- Industry,Academia
- País
- United States of America
- Publicado
- 24 June 2021
- Authors
- Yue Cao, Payel Das, Vijil Chenthamarakshan, Pin-Yu Chen, Igor Melnyk, Yang Shen
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 generation, Protein inverse folding, Protein fold classification
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.
- Parámetros
- 12.4M
- Datos de entrenamiento
- 45,995 tokens
- Épocas
- 200
- Batch size
- 128
Three components, a sequence encoder, fold encoder, and sequence decoder. (1) and (3) have similar architectures, a sequence embedder + transformer block (the encoder uses a transformer encoder, the decoder uses a decoder block). The fold encoder adds 6 residual conv blocks and has a 3d positional encoder rather than sequence embedder. Each residual block has two 3D-convolutional layers (3×3×3) and batch normalization layers. Each transformer block has 4 layers and d = 256 latent dimensions. …
"Training set includes 45995 proteins belonging to a total of 971 folds"
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
- 1.4 × 10¹⁷ FLOP
- Cómo se estableció
- Operation counting
"We train our model on 2 Tesla K80 GPUs, with batch size 128. In every training stage we train up to 200 epochs with an early stopping strategy based on the validation loss" See calculations here: https://docs.google.com/document/d/1luTCTQLmfaBfmnjbsBpWuG51x_IwuiN7mqNoOXtoi8Y/edit?usp=sharing Block 1: CNN 1: 2*20*20*20*3*3*3*4*8=13824000 CNN 2: 2*20*20*20*3*3*3*8*8=27648000 Block 2: CNN 1: 2*20*20*20*3*3*3*8*16=55296000 CNN 2: 2*20*20*20*3*3*3*16*16=110592000 Block 3: CNN 1: 2*20*20*20*3*3*3*16…
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 Tesla K80
- Chips usados
- 2
- Consumo de energía
- 1.2 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
Apache 2.0 https://github.com/IBM/fold2seq
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
- Speculative
- Citations
- 56
"On test sets with single, high-resolution and complete structure inputs for individual folds, our experiments demonstrate improved or comparable performance of Fold2Seq in terms of speed, coverage, and reliability for sequence design, when compared to existing state-of-the-art methods that include data-driven deep generative models and physics-based RosettaDesign." [Abstract]
Fuentes
De dónde proviene este registro y cuándo fue revisado por última vez.
- Referencia
- Fold2Seq: A Joint Sequence(1D)-Fold(3D) Embedding-based Generative Model for Protein Design
- Última actualización
- 25 May 2026
Qué significan los números
Acerca de este modelo
Fold2Seq was published by IBM,Texas A&M, in United States of America, in June 2021. The organisation is categorised as industry,Academia.
It works in Biology, and is recorded as doing proteins, Protein generation, Protein inverse folding, Protein fold classification.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a ellos a través de su proveedor. Ninguna tarjeta gráfica cambia eso.
Qué se utilizó para construirlo
The training run consumed about 1.4 × 10¹⁷ FLOP, on NVIDIA Tesla K80. That figure describes the cost of creating it and has no bearing on how quickly it generates text.
It was trained on about 45,995 tokens of text.
The reason it appears in this catalogue at all is sOTA improvement.
Respuestas
Fold2Seq — Preguntas frecuentes
Who created Fold2Seq?
Fold2Seq was published by IBM,Texas A&M, based in United States of America, categorised as industry,Academia.
When was Fold2Seq released?
Fold2Seq was published in June 2021. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is Fold2Seq used for?
Fold2Seq works in Biology, and is recorded as handling proteins, Protein generation, Protein inverse folding, Protein fold classification. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
How much compute was used to train Fold2Seq?
Around 1.4 × 10¹⁷ FLOP, on NVIDIA Tesla K80. 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 Fold2Seq?
None. Fold2Seq 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 Fold2Seq open source?
No. Fold2Seq has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does Fold2Seq have?
Fold2Seq has 12.4M parameters. Three components, a sequence encoder, fold encoder, and sequence decoder. (1) and (3) have similar architectures, a sequence embedder + transformer block (the encoder uses a transformer encoder, the decoder uses a decoder block). The fold encoder adds 6 residual conv blocks and has a 3d positional encoder rather than sequence embedder. Each residual block has two 3D-convolutional layers (3×3×3) and batch normalization layers. Each transformer block has 4 layers and d = 256 latent dimensions. Calculations here: https://docs.google.com/document/d/1luTCTQLmfaBfmnjbsBpWuG51x_IwuiN7mqNoOXtoi8Y/edit?usp=sharing. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
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.