DiffBindFR
Geen schatting
Geen hardware-eisen voor dit model
Dit model's gewichten zijn open-source, maar er is geen parameter aantal gepubliceerd. Elk geheugen- en snelheidsfiguur begint vanaf dat nummer, dus we geven liever niets weer dan een gefabriceerde schatting..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- Peking University,Tsinghua-Peiking Center for Life Sciences
- Organisatietype
- Academia,Research collective
- Land
- China
- Gepubliceerd
- 9 April 2024
- Auteurs
- Jintao Zhu, Zhonghui Gu, Jianfeng Pei, Luhua Lai
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Biology
- Taak
- Protein-ligand binding affinity prediction, Protein-ligand contact prediction
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- Training gegevens
- tokens
Data points = 16,739 training structures Note: Epochs (1000) not counted as we only consider unique data points 16,739 = 1.674e4
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 4 × 10²⁰ FLOP
- Hoe het werd opgericht
- 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 ×…
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Open — downloadable
- Toegang tot model
- Open weights (unrestricted)
- Training code
- Unreleased
BSD-3-Clause-Clear license https://github.com/HBioquant/DiffBindFR
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Record vertrouwen
- Confident
- Citaties
- 16
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- DiffBindFR: an SE(3) equivariant network for flexible protein–ligand docking
- Laatst bijgewerkt
- 1 December 2025
Wat de cijfers betekenen
Waar het vandaan kwam
DiffBindFR werd gepubliceerd door Peking University,Tsinghua-Peiking Center for Life Sciences, in het land geregistreerd als China, tijdens April 2024. De categorie waaronder de uitgever valt is academia,Research collective.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van protein-ligand binding affinity prediction, Protein-ligand contact prediction.
Gepubliceerde gewichten betekenen dat het model op jouw machine draait in plaats van op die van iemand anders, wat de hardwarevraag hieronder op enige manier beantwoordbaar maakt.
Wat erin ging zitten om het te bouwen
Training kostte een rekensbudget van ongeveer 4 × 10²⁰ FLOP. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Antwoorden
DiffBindFR — veelgestelde vragen
DiffBindFR— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van protein-ligand binding affinity prediction, Protein-ligand contact prediction. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
DiffBindFR— waar kan ik het downloaden?
De gewichten zijn gepubliceerd, hoewel we geen repositorylink daarvoor hebben. Deze site berekent hardwarevereisten in plaats van modelbestanden te hosten.
DiffBindFR— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 4 × 10²⁰ FLOP. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
DiffBindFR— Welke GPU heb ik nodig om het te draaien?
We kunnen niets zeggen. Het heeft open weights, maar er is geen parameter telling gepubliceerd voor het, en elke memory en snelheid berekening begint vanaf dat nummer. We tonen liever niets dan een gefabriceerde schatting.
DiffBindFR— is het open-source?
De gewichten zijn gepubliceerd, zodat ze kunnen worden gedownload en op je eigen hardware kunnen worden uitgevoerd. Houd er rekening mee dat OPEN WEIGHTS niet hetzelfde is als open source in de volle zin — het zegt niets over de trainingsdata, de trainingscode of de commerciële voorwaarden die eraan zijn verbonden.
DiffBindFR— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
DiffBindFR— wie heeft het gemaakt?
Het werd gepubliceerd door Peking University,Tsinghua-Peiking Center for Life Sciences, gebaseerd op China, een organisatie geclassificeerd als academia,Research collective.
DiffBindFR— wanneer is het uitgebracht?
Het werd gepubliceerd in April 2024. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.