AlphaFold-Multimer
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
- Google DeepMind,DeepMind
- Tipo di organizzazione
- Industry,Industry
- Paese
- United States of America, United Kingdom of Great Britain and Northern Ireland
- Pubblicato
- 4 October 2021
- Autori
- Richard Evans, Michael O’Neill, Alexander Pritzel, Natasha Antropova, Andrew Senior, Tim Green, Augustin Žídek, Russ Bates, Sam Blackwell, Jason Yim, Olaf Ronneberger, Sebastian Bodenstein, Michal Zielinski, Alex Bridgland, Anna Potapenko, Andrew Cowie, Kathryn Tunyasuvunakool, Rishub Jain, Ellen Clancy, Pushmeet Kohli, John Jumper and Demis Hassabis
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- Protein folding prediction, Proteins
- Modello di base
- AlphaFold 2
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
- 56,573,952 tokens
- Epoche
- 68
See: https://www.rcsb.org/stats/growth/growth-released-structures for 2018 "We train the model to convergence (approximately 10M samples, for 2 weeks) across 128 TPUv3 cores with a batch size of 1 per TPU core. Then we halve the learning rate and double the number of sequences fed into the MSA stack before running two separate fine-tuning stages (one further day of training each)" 10000000/147328 ~ 68 epochs
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
- 4.4 × 10²¹ FLOP
- Come è stato stabilito
- Hardware
Section: 2.5. Training Regimen "We train the model to convergence (approximately 10M samples, for 2 weeks) across 128 TPUv3 cores [...]. Then we [...] run two separate fine-tuning stages (one further day of training each)" Assuming: FP16 and utilization 0.4 Calculation: (14+2) days * 24 hours/day * 60 min/hour * 60 sec/min * (128 TPU cores/2 cores per chip) * 1.23e14 FLOP/s per chip * 0.4 utilization = 4.35e21 FLOPs
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- Google TPU v3
- Chip utilizzati
- 64
- Chip-ore
- 24,576
- Tempo di parete
- 384 hours (16 days)
- Consumo energetico
- 58.1 kW
- Costo di calcolo
- $7,966
Section: 2.5. Training Regimen "We train the model to convergence (approximately 10M samples, for 2 weeks) across 128 TPUv3 cores [...]. Then we [...] run two separate fine-tuning stages (one further day of training each)"
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
While the AlphaFold code is licensed under the Apache 2.0 License, the AlphaFold parameters and CASP15 prediction data are made available under the terms of the CC BY 4.0 license https://github.com/google-deepmind/alphafold
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- Highly cited,SOTA improvement
- Record fiducia
- Confident
- Citazioni
- 2,694
"On a benchmark dataset of 17 heterodimer proteins without templates (introduced in [2]) we achieve at least medium accuracy (DockQ [3] ≥ 0.49) on 14 targets and high accuracy (DockQ ≥ 0.8) on 6 targets, compared to 9 targets of at least medium accuracy and 4 of high accuracy for the previous state of the art system (an AlphaFold-based system from [2])" "For heteromeric interfaces we successfully predict the interface (DockQ ≥ 0.23) in 67% of cases, and produce high accuracy predictions (DockQ …
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Protein complex prediction with AlphaFold-Multimer
- Ultimo aggiornamento
- 1 January 2026
Cosa significano i numeri
Sfondo
AlphaFold-Multimer è stato pubblicato da Google DeepMind,DeepMind, nel paese registrato come United States of America, durante October 2021. L'organizzazione di pubblicazione è classificata come industry,Industry.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di protein folding prediction, Proteins.
Invece di essere addestrato da zero, è derivato da AlphaFold 2. Quello è il modo abituale in cui viene prodotto un modello specializzato.
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.
Come è stato addestrato
Il training ha richiesto un budget di calcolo di circa 4.4 × 10²¹ FLOP, su hardware registrato come Google TPU v3. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Il set di addestramento si aggirava attorno a 56,573,952 token di testo
È tracciato nel dataset sottostante per una ragione in particolare: highly cited,SOTA improvement.
Risposte
AlphaFold-Multimer — domande comuni
AlphaFold-Multimer— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di protein folding prediction, Proteins. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
AlphaFold-Multimer— 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.
AlphaFold-Multimer— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 4.4 × 10²¹ FLOP, su hardware registrato come Google TPU v3. 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.
AlphaFold-Multimer— 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.
AlphaFold-Multimer— 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.
AlphaFold-Multimer— 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.
AlphaFold-Multimer— chi l'ha creato?
È stato pubblicato da Google DeepMind,DeepMind, basato su United States of America, un'organizzazione categorizzata come industry,Industry.
AlphaFold-Multimer— quando è stato rilasciato?
È stato pubblicato in October 2021. 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.