DiffSBDD (CrossDocked)
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
- Ecole Polytechnique F´ed´erale de Lausanne (EPFL),University of Cambridge,Cornell University,Chinese Academy of Mathematics and System Science,University of Rome,Microsoft Research,University of Oxford,AITHYRA Institute
- Type d'organisation
- Academia,Academia,Academia,Academia,Academia,Industry,Academia,Research collective
- Pays
- Switzerland, United Kingdom of Great Britain and Northern Ireland, United States of America, China, Italy, Austria
- Publié
- 24 October 2022
- Auteurs
- Arne Schneuing, Charles Harris, Yuanqi Du, Kieran Didi, Arian Jamasb, Ilia Igashov, Weitao Du, Carla Gomes, Tom Blundell, Pietro Lio, Max Welling, Michael Bronstein, Bruno Correia
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.
- Données d'entraînement
- 2,900,000 tokens
- Époques
- 1,000
"We use the CrossDocked dataset [26] with 100,000 high-quality protein-ligand pairs for training and 100 proteins for testing"
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
- 2.7 × 10²⁰ FLOP
- Comment cela a été établi
- Hardware
" For CrossDocked, 100 training epochs take approximately 6 h/8 h in the Cα case and 48 h/60 h per 100 epochs on a single NVIDIA A100 GPU with all atom pocket representation" 312000000000000*0.4*60 hours*10=2.695680e+20
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- NVIDIA A100
- Chips utilisés
- 1
- Temps en temps réel
- 600 hours (25 days)
- Consommation d'énergie
- 440 W
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
- Open source
Code Availability. Our source codes are publicly available at https://github.com/arneschneuing/ (MIT license) DiffSBDD. Model weights can be downloaded from Zenodo: https://zenodo.org/records/8183747 (Creative Commons Attribution 4.0 International)
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
- 404
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Structure-based Drug Design with Equivariant Diffusion Models
- Dernière mise à jour
- 25 May 2026
Ce que les chiffres signifient
Contexte
DiffSBDD (CrossDocked) a été publié par Ecole Polytechnique F´ed´erale de Lausanne (EPFL),University of Cambridge,Cornell University,Chinese Academy of Mathematics and System Science,University of Rome,Microsoft Research,University of Oxford,AITHYRA Institute, dans le pays enregistré comme Switzerland, durant October 2022. La catégorie à laquelle appartient l'éditeur est academia,Academia,Academia,Academia,Academia,Industry,Academia,Research collective.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de drug discovery.
Les poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel indéfiniment, hors ligne, sans compte associé.
Comment il a été entraîné
L'entraînement a consommé environ 2.7 × 10²⁰ FLOP, sur matériel enregistré comme NVIDIA A100. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Il a été entraîné sur un corpus d'environ 2,900,000 jetons de texte
Réponses
DiffSBDD (CrossDocked) — questions courantes
DiffSBDD (CrossDocked)— qui l'a créé ?
Il a été publié par Ecole Polytechnique F´ed´erale de Lausanne (EPFL),University of Cambridge,Cornell University,Chinese Academy of Mathematics and System Science,University of Rome,Microsoft Research,University of Oxford,AITHYRA Institute, basé sur Switzerland, une organisation catégorisée comme academia,Academia,Academia,Academia,Academia,Industry,Academia,Research collective.
DiffSBDD (CrossDocked)— quand a-t-il été publié ?
Il a été publié dans October 2022. 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.
DiffSBDD (CrossDocked)— à quoi ça sert ?
Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de drug discovery. Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.
DiffSBDD (CrossDocked)— 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.
DiffSBDD (CrossDocked)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 2.7 × 10²⁰ FLOP, sur matériel enregistré comme NVIDIA A100. 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.
DiffSBDD (CrossDocked)— 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.
DiffSBDD (CrossDocked)— 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.
DiffSBDD (CrossDocked)— 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.
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.