DeepRelax
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- National University of Singapore,Sun Yat-sen University,Peking University,China Medical University Hospital,Asia university,Guangdong L-Med Biotechnology Company
- Tipo de Organización
- Academia,Academia,Academia,Academia,Industry
- País
- Singapore, China, Taiwan
- Publicado
- 17 September 2024
- Autores
- Ziduo Yang, Yi-Ming Zhao, Xian Wang, Xiaoqing Liu, Xiuying Zhang, Yifan Li, Qiujie Lv, Calvin Yu-Chian Chen & Lei 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
- Protein folding prediction
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- Datos de entrenamiento
- tokens
"By excluding compounds missing either initial or DFT-relaxed structures, we refined the dataset to 62,724 pairs. " Multiple properties for each structure are predicted in a regression approach.
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Unknown
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Scalable crystal structure relaxation using an iteration-free deep generative model with uncertainty quantification
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
DeepRelax fue publicado por National University of Singapore,Sun Yat-sen University,Peking University,China Medical University Hospital,Asia university,Guangdong L-Med Biotechnology Company, en el país registrado como Singapore, durante September 2024. La organización editora está clasificada como academia,Academia,Academia,Academia,Industry.
Funciona en el dominio de Biology, y se registra como realizando la tarea de protein folding prediction.
Debido a que los pesos no están disponibles, ninguna de las cifras de hardware en este sitio se aplica a él.
Respuestas
DeepRelax — preguntas comunes
DeepRelax— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
DeepRelax— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
DeepRelax— ¿cuántos parámetros tiene?
No se ha publicado el conteo de parámetros para él, por lo que no aparece ninguna cifra de memoria o velocidad en esta página.
DeepRelax— ¿Quién lo creó?
Fue publicado por National University of Singapore,Sun Yat-sen University,Peking University,China Medical University Hospital,Asia university,Guangdong L-Med Biotechnology Company, basado en Singapore, una organización categorizada como academia,Academia,Academia,Academia,Industry.
DeepRelax— ¿cuándo fue lanzado?
Se publicó en September 2024. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
DeepRelax— ¿Para qué se utiliza?
Funciona en el dominio de Biology, y se registra como manejando la tarea de protein folding prediction. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.