Automated design of multi-target ligands by generative deep learning
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- Goethe University Frankfurt,Fraunhofer Institute for Translational Medicine and Pharmacology,Ludwig Maximilian University of Munich
- Type d'organisation
- Academia,Academia
- Pays
- Germany
- Publié
- 11 September 2024
- Auteurs
- Laura Isigkeit, Tim Hörmann, Espen Schallmayer, Katharina Scholz, Felix F. Lillich, Johanna H. M. Ehrler, Benedikt Hufnagel, Jasmin Büchner, Julian A. Marschner, Jörg Pabel, Ewgenij Proschak, Daniel Merk
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Biology
- Tâche
- Drug discovery
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- paramètres
- 5.8M
- Données d'entraînement
- tokens
"The model was based on a recurrent neural network with long short-term memory (LSTM) cells and consisted of four layers with a total of 5,820,515 parameters: layer 1, BatchNormalization; layer 2, LSTM with 1024 units; layer 3, LSTM with 256 units; layer 4, BatchNormalization."
365,000 molecules × 10 augmentations = 3,650,000 total molecules 3,650,000 molecules × 140 tokens/molecule = 511,000,000 (5.11 × 10⁸) tokens Final estimate: 5.1e8 tokens
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Code d'entraînement
- Open source
Code used in this study is available at Zenodo (https://doi.org/10.5281/zenodo.12795470) License: CC-BY-4.0
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Confident
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Automated design of multi-target ligands by generative deep learning
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
D'où cela vient-il
Automated design of multi-target ligands by generative deep learning a été publié par Goethe University Frankfurt,Fraunhofer Institute for Translational Medicine and Pharmacology,Ludwig Maximilian University of Munich, dans le pays enregistré comme Germany, durant September 2024. L'organisation de publication est catégorisée comme academia,Academia.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de drug discovery.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Réponses
Automated design of multi-target ligands by generative deep learning — questions courantes
Automated design of multi-target ligands by generative deep learning— quand a-t-il été publié ?
Il a été publié dans September 2024. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
Automated design of multi-target ligands by generative deep learning— à quoi ça sert ?
Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de drug discovery. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
Automated design of multi-target ligands by generative deep learning— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
Automated design of multi-target ligands by generative deep learning— est-ce que c'est open source ?
La licence n'a jamais été enregistrée dans nos données source. Nous considérons une licence non déclarée comme fermée, car une licence non enregistrée n'est pas une licence sur laquelle compter.
Automated design of multi-target ligands by generative deep learning— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 5.8M. "The model was based on a recurrent neural network with long short-term memory (LSTM) cells and consisted of four layers with a total of 5,820,515 parameters: layer 1, BatchNormalization; layer 2, LSTM with 1024 units; layer 3, LSTM with 256 units; layer 4, BatchNormalization.". Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
Automated design of multi-target ligands by generative deep learning— qui l'a créé ?
Il a été publié par Goethe University Frankfurt,Fraunhofer Institute for Translational Medicine and Pharmacology,Ludwig Maximilian University of Munich, basé sur Germany, une organisation catégorisée comme academia,Academia.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.