DiffBindFR
Nessuna stima
Nessun requisito hardware per questo modello
I pesi di questo modello sono open weight, ma non è stato pubblicato alcun conteggio dei parametri. Ogni figura di memory e velocità parte da quel numero, quindi preferiremmo non mostrare nulla piuttosto che una stima fabbricata..
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Peking University,Tsinghua-Peiking Center for Life Sciences
- Tipo di organizzazione
- Academia,Research collective
- Paese
- China
- Pubblicato
- 9 April 2024
- Autori
- Jintao Zhu, Zhonghui Gu, Jianfeng Pei, Luhua Lai
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Protein-ligand binding affinity prediction, Protein-ligand contact prediction
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- Dati di addestramento
- tokens
Data points = 16,739 training structures Note: Epochs (1000) not counted as we only consider unique data points 16,739 = 1.674e4
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Calcolo di addestramento
- 4 × 10²⁰ FLOP
- Come è stato stabilito
- 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 ×…
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Open — downloadable
- Accesso al modello
- Open weights (unrestricted)
- Codice di addestramento
- Unreleased
BSD-3-Clause-Clear license https://github.com/HBioquant/DiffBindFR
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 16
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- DiffBindFR: an SE(3) equivariant network for flexible protein–ligand docking
- Ultimo aggiornamento
- 1 December 2025
Cosa significano i numeri
Da dove è venuto
DiffBindFR è stato pubblicato da Peking University,Tsinghua-Peiking Center for Life Sciences, nel paese registrato come China, durante April 2024. La categoria sotto cui rientra l'editore è academia,Research collective.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di protein-ligand binding affinity prediction, Protein-ligand contact prediction.
I pesi pubblicati significano che il modello gira sulla tua macchina piuttosto che su quella di qualcun altro, il che rende la domanda sull'hardware qui sotto rispondibile.
Cosa è stato necessario per costruirlo
Il training ha richiesto un budget di calcolo di circa 4 × 10²⁰ FLOP. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Risposte
DiffBindFR — domande comuni
DiffBindFR— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di protein-ligand binding affinity prediction, Protein-ligand contact prediction. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
DiffBindFR— Dove posso scaricarlo?
I pesi sono pubblicati, anche se non abbiamo un link al repository per essi. Questo sito calcola i requisiti hardware anziché ospitare file di modello.
DiffBindFR— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 4 × 10²⁰ FLOP. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
DiffBindFR— che GPU ho bisogno per eseguirlo?
Non possiamo dire. Ha pesi aperti, ma non è stato pubblicato alcun conteggio dei parametri per esso, e ogni calcolo di memoria e velocità parte da quel numero. Preferiremmo non mostrare nulla piuttosto che una stima fabbricata.
DiffBindFR— è open-source?
I suoi pesi sono pubblicati, quindi può essere scaricato e eseguito sul proprio hardware. Si noti che OPEN WEIGHTS non è lo stesso di OPEN SOURCE nel senso completo — non dice nulla sui dati di addestramento, sul codice di addestramento o sui termini commerciali allegati.
DiffBindFR— quanti parametri ha?
Non è stato pubblicato alcun conteggio dei parametri per esso, motivo per cui non appare alcun dato sulla memoria o sulla velocità su questa pagina.
DiffBindFR— chi l'ha creato?
È stato pubblicato da Peking University,Tsinghua-Peiking Center for Life Sciences, basato su China, un'organizzazione categorizzata come academia,Research collective.
DiffBindFR— quando è stato rilasciato?
È stato pubblicato in April 2024. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.