Fold2Seq
Aucune estimation
Aucun besoin matériel pour ce modèle
Les poids de ce modèle n'ont pas été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel, quelle que soit la taille. Il n'est accessible que via son fournisseur, et aucune carte graphique ne change cela.
Enregistrement terminé
Spécification complète
Tout ce qui concerne ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — contexte utile pour évaluer le travail fourni et sa comparaison avec des modèles construits à une échelle différente.
Origine
Qui a construit ce modèle, où et quand il a été publié.
- Organisation
- IBM,Texas A&M
- Type d'organisation
- Industry,Academia
- Pays
- United States of America
- Publié
- 24 June 2021
- Auteurs
- Yue Cao, Payel Das, Vijil Chenthamarakshan, Pin-Yu Chen, Igor Melnyk, Yang Shen
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut en porter plusieurs de chacun.
- Domaine
- Biology
- Tâche
- Proteins, Protein generation, Protein inverse folding, Protein fold classification
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui détermine s'il tient sur une carte graphique donnée.
- Paramètres
- 12.4M
- Données d'entraînement
- 45,995 tokens
- Époques
- 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"
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations à virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, et non de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 1.4 × 10¹⁷ FLOP
- Comment cela a été établi
- 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…
L'entraînement
Ce qu'il a physiquement fallu pour entraîner : quels puces, combien, pendant combien de temps, et ce que cela a tiré du mur.
- Matériel d'entraînement
- NVIDIA Tesla K80
- Chips utilisés
- 2
- Consommation d'énergie
- 1.2 kW
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui décide si l'une des chiffres de carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
- Code d'entraînement
- Open source
Apache 2.0 https://github.com/IBM/fold2seq
Comment il est classé
Étiquettes que le jeu de données source applique lors du suivi des modèles notables, et à quel point il est confiant dans l'entrée.
- Pourquoi c'est suivi
- SOTA improvement
- Confiance d'enregistrement
- 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]
Sources
D'où provient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Fold2Seq: A Joint Sequence(1D)-Fold(3D) Embedding-based Generative Model for Protein Design
- Dernière mise à jour
- 25 May 2026
Ce que signifient les chiffres
À propos de ce modèle
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.
Ses poids n'ont jamais été publiés, donc on ne peut y accéder que par son fournisseur. Aucun changement de carte graphique ne change cela.
Ce qui a contribué à sa construction
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.
Réponses
Fold2Seq — Questions fréquentes
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.
Dans l'autre sens
Regardez-la de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez connaître tout ce qu'elle pourra exécuter, commencez plutôt par le matériel.