Machine learning a model for RNA structure prediction
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
- International School for Advanced Studies,Institute of Structural Biology,Technical University of Munich
- Type d'organisation
- Academia,Academia,Academia
- Pays
- Italy, Germany
- Publié
- 16 November 2020
- Auteurs
- Nicola Calonaci, Alisha Jones, Francesca Cuturello, Michael Sattler, Giovanni Bussi
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Biology
- Tâche
- RNA structure 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
(52 + 388) / 2 = 220 nucleotides per RNA 18 RNA molecules × 220 nucleotides = 3,960 datapoints Rounded to: 4,000 datapoints
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
- 1.8 × 10¹⁸ FLOP
- Comment cela a été établi
- Hardware
1. Hardware setup: 576 CPUs (288 nodes × 2 CPUs/node), Intel Xeon E5-2683 v4 FLOP/s per CPU: 2.688 × 10¹¹ FLOP/s Total system: 1.548288 × 10¹⁴ FLOP/s 2. Training duration: Directly provided: 8 hours = 28,800 seconds 3. Utilization rate: 40% (0.4) 4. Final calculation: 1.548288 × 10¹⁴ FLOP/s × 28,800s × 0.4 = 1.78 × 10¹⁸ FLOPs
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
- 32
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- Machine learning a model for RNA structure prediction
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
À propos de ce modèle
Machine learning a model for RNA structure prediction a été publié par International School for Advanced Studies,Institute of Structural Biology,Technical University of Munich, dans le pays enregistré comme Italy, durant November 2020. L'organisation de publication est catégorisée comme academia,Academia,Academia.
Il fonctionne dans le domaine de Biology, et est enregistré comme exécutant la tâche de rNA structure prediction.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Entraînement et provenance
L'entraînement a consommé environ 1.8 × 10¹⁸ FLOP. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
Machine learning a model for RNA structure prediction — questions courantes
Machine learning a model for RNA structure prediction— à quoi ça sert ?
Il fonctionne dans le domaine de Biology, et est enregistré comme gérant la tâche de rNA structure prediction. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
Machine learning a model for RNA structure prediction— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1.8 × 10¹⁸ 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.
Machine learning a model for RNA structure prediction— 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.
Machine learning a model for RNA structure prediction— 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.
Machine learning a model for RNA structure prediction— 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.
Machine learning a model for RNA structure prediction— qui l'a créé ?
Il a été publié par International School for Advanced Studies,Institute of Structural Biology,Technical University of Munich, basé sur Italy, une organisation catégorisée comme academia,Academia,Academia.
Machine learning a model for RNA structure prediction— quand a-t-il été publié ?
Il a été publié dans November 2020. 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.