DiffBindFR
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle sont open, mais aucun compte de paramètres n'a été publié pour celui-ci. Chaque chiffre de mémoire et de vitesse commence à partir de ce nombre, donc nous préférerions ne rien montrer plutôt qu'une estimation fabriquée..
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
- Peking University,Tsinghua-Peiking Center for Life Sciences
- Type d'organisation
- Academia,Research collective
- Pays
- China
- Publié
- 9 April 2024
- Auteurs
- Jintao Zhu, Zhonghui Gu, Jianfeng Pei, Luhua Lai
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Biology
- Tâche
- Protein-ligand binding affinity prediction, Protein-ligand contact prediction
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.
- Données d'entraînement
- tokens
Data points = 16,739 training structures Note: Epochs (1000) not counted as we only consider unique data points 16,739 = 1.674e4
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 4 × 10²⁰ FLOP
- Comment cela a été établi
- Hardware
1. Hardware setup: - Main model: 8× NVIDIA A800 GPUs (7.80×10¹³ FLOP/s per GPU) - MDN model: 4× NVIDIA Tesla V100-SXM2 GPUs (1.25×10¹⁴ FLOP/s per GPU) 2. Training duration (estimated from steps and step time): - Main model: 262,000 steps × 5s = 1.31×10⁶ seconds (~15 days) - MDN model: 65,000 steps × 5s = 3.25×10⁵ seconds (~3.76 days) 3. Utilization rate: 40% 4. Final calculation: Main: 8 GPUs × 7.80×10¹³ FLOP/s × 1.31×10⁶ s × 0.4 = 3.31×10²⁰ FLOPs MDN: 4 GPUs × 1.25×10¹⁴ FLOP/s × 3.25×10⁵ s ×…
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.
- Poids
- Open — downloadable
- Accès au modèle
- Open weights (unrestricted)
- Code d'entraînement
- Unreleased
BSD-3-Clause-Clear license https://github.com/HBioquant/DiffBindFR
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
- Citations
- 16
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- DiffBindFR: an SE(3) equivariant network for flexible protein–ligand docking
- Dernière mise à jour
- 1 December 2025
Ce que les chiffres signifient
D'où cela vient-il
DiffBindFR a été publié par Peking University,Tsinghua-Peiking Center for Life Sciences, dans le pays enregistré comme China, durant April 2024. La catégorie à laquelle appartient l'éditeur est academia,Research collective.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de protein-ligand binding affinity prediction, Protein-ligand contact prediction.
Les poids publiés signifient que le modèle fonctionne sur votre machine plutôt que sur celle de quelqu'un d'autre, ce qui rend la question matérielle ci-dessous répondable.
Qu'est-ce qui a été nécessaire pour le construire
L'entraînement a nécessité un budget de calcul d'environ 4 × 10²⁰ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
DiffBindFR — questions courantes
DiffBindFR— à quoi ça sert ?
Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de protein-ligand binding affinity prediction, Protein-ligand contact prediction. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.
DiffBindFR— où puis-je le télécharger ?
Les poids sont publiés, bien que nous ne possédions pas de lien vers un dépôt pour cela. Ce site calcule les exigences matérielles plutôt que d'héberger des fichiers de modèle.
DiffBindFR— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 4 × 10²⁰ FLOP. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
DiffBindFR— Quelle GPU ai-je besoin pour l'exécuter ?
Nous ne pouvons pas dire. Il a des poids ouverts, mais aucun compte de paramètres n'a été publié pour cela, et chaque calcul de mémoire et de vitesse part de ce nombre. Nous préférerions ne rien montrer plutôt qu'une estimation fabriquée.
DiffBindFR— est-ce que c'est open source ?
Ses poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel. Notez que les poids ouverts ne sont pas la même chose que l'open source au sens plein — cela ne dit rien sur les données d'entraînement, le code d'entraînement ou les conditions commerciales attachées.
DiffBindFR— combien de paramètres cela a-t-il ?
Aucun nombre de paramètres n'a été publié pour cela, c'est pourquoi aucun chiffre de mémoire ou de vitesse n'apparaît sur cette page.
DiffBindFR— qui l'a créé ?
Il a été publié par Peking University,Tsinghua-Peiking Center for Life Sciences, basé sur China, une organisation catégorisée comme academia,Research collective.
DiffBindFR— quand a-t-il été publié ?
Il a été publié dans April 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.
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.