PocketGen
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
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
- University of Science and Technology of China (USTC),Hefei Comprehensive National Science Center,Harvard University,Broad Institute,Harvard Data Science Initiative
- Tipo di organizzazione
- Academia,Research collective,Academia,Research collective,Academia
- Paese
- China, United States of America
- Pubblicato
- 23 September 2024
- Autori
- Zaixi Zhang, Wan Xiang Shen, Qi Liu, Marinka Zitnik
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Biology
- Compito
- 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.
- parametri
- 7.9M
- Dati di addestramento
- tokens
"As a result, PocketGen requires significantly fewer trainable parameters than RFDiffusionAA [16] (7.9M versus 82.9M trainable parameters)."
"Finally, we have 40k protein-ligand pairs for training, 100 pairs for validation, and 100 pairs for testing." 40000*300 (assumed length) = 12000000
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
- 2.1 × 10¹⁹ FLOP
- Come è stato stabilito
- Hardware
"It takes around 48 hours to finish training on 1 Tesla A100 GPU from scratch." Assume 40% utilization, FP16 tensor precision.
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
- NVIDIA A100
- Chip utilizzati
- 1
- Tempo di parete
- 48 hours
- Consumo energetico
- 433 W
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Confident
- Citazioni
- 15
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Efficient Generation of Protein Pockets with PocketGen
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Cosa è questo modello
PocketGen è stato pubblicato da University of Science and Technology of China (USTC),Hefei Comprehensive National Science Center,Harvard University,Broad Institute,Harvard Data Science Initiative, nel paese registrato come China, durante September 2024. L'organizzazione di pubblicazione è classificata come academia,Research collective,Academia,Research collective,Academia.
Funziona nel dominio di Biology, ed è registrato come eseguire il compito di protein-ligand contact prediction.
I suoi pesi non sono mai stati pubblicati, quindi può essere raggiunto solo attraverso il suo fornitore. Nessuna scheda GPU cambia questo.
Come è stato addestrato
La produzione di esso ha richiesto un'aritmetica totale di circa 2.1 × 10¹⁹ FLOP, su hardware registrato come NVIDIA A100. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Risposte
PocketGen — domande comuni
PocketGen— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
PocketGen— quanti parametri ha?
Ha un numero di parametri di 7.9M. "As a result, PocketGen requires significantly fewer trainable parameters than RFDiffusionAA [16] (7.9M versus 82.9M trainable parameters).". Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
PocketGen— chi l'ha creato?
È stato pubblicato da University of Science and Technology of China (USTC),Hefei Comprehensive National Science Center,Harvard University,Broad Institute,Harvard Data Science Initiative, basato su China, un'organizzazione categorizzata come academia,Research collective,Academia,Research collective,Academia.
PocketGen— quando è stato rilasciato?
È stato pubblicato in September 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.
PocketGen— A cosa serve?
Funziona nel dominio di Biology, e viene registrato come gestire il compito di protein-ligand contact prediction. Queste sono le aree su cui è stato progettato; descrivono l'intento piuttosto che un confine rigido.
PocketGen— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 2.1 × 10¹⁹ FLOP, su hardware registrato come NVIDIA A100. 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.
PocketGen— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
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.