DiffSBDD (CrossDocked)
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
- Ecole Polytechnique F´ed´erale de Lausanne (EPFL),University of Cambridge,Cornell University,Chinese Academy of Mathematics and System Science,University of Rome,Microsoft Research,University of Oxford,AITHYRA Institute
- Organisatietype
- Academia,Academia,Academia,Academia,Academia,Industry,Academia,Research collective
- Land
- Switzerland, United Kingdom of Great Britain and Northern Ireland, United States of America, China, Italy, Austria
- Gepubliceerd
- 24 October 2022
- Auteurs
- Arne Schneuing, Charles Harris, Yuanqi Du, Kieran Didi, Arian Jamasb, Ilia Igashov, Weitao Du, Carla Gomes, Tom Blundell, Pietro Lio, Max Welling, Michael Bronstein, Bruno Correia
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Biology
- Taak
- Drug discovery
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
- 2,900,000 tokens
- Epochs
- 1,000
"We use the CrossDocked dataset [26] with 100,000 high-quality protein-ligand pairs for training and 100 proteins for testing"
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
- 2.7 × 10²⁰ FLOP
- Hoe het werd opgericht
- Hardware
" For CrossDocked, 100 training epochs take approximately 6 h/8 h in the Cα case and 48 h/60 h per 100 epochs on a single NVIDIA A100 GPU with all atom pocket representation" 312000000000000*0.4*60 hours*10=2.695680e+20
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA A100
- Gebruikte chips
- 1
- Kloktijd
- 600 hours (25 days)
- Stroomverbruik
- 440 W
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
- Open source
Code Availability. Our source codes are publicly available at https://github.com/arneschneuing/ (MIT license) DiffSBDD. Model weights can be downloaded from Zenodo: https://zenodo.org/records/8183747 (Creative Commons Attribution 4.0 International)
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
- 404
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Structure-based Drug Design with Equivariant Diffusion Models
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Achtergrond
DiffSBDD (CrossDocked) werd gepubliceerd door Ecole Polytechnique F´ed´erale de Lausanne (EPFL),University of Cambridge,Cornell University,Chinese Academy of Mathematics and System Science,University of Rome,Microsoft Research,University of Oxford,AITHYRA Institute, in het land geregistreerd als Switzerland, tijdens October 2022. De categorie waaronder de uitgever valt is academia,Academia,Academia,Academia,Academia,Industry,Academia,Research collective.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van drug discovery.
De gewichten zijn gepubliceerd, zodat ze gedownload en onbeperkt, offline, op je eigen hardware kunnen worden uitgevoerd, zonder dat er een account aan verbonden is.
Hoe het getraind werd
De training run verbruikte ongeveer 2.7 × 10²⁰ FLOP, op hardware vastgelegd als NVIDIA A100. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Het is getraind op een corpus van ongeveer 2,900,000 tekstokens
Antwoorden
DiffSBDD (CrossDocked) — veelgestelde vragen
DiffSBDD (CrossDocked)— wie heeft het gemaakt?
Het werd gepubliceerd door Ecole Polytechnique F´ed´erale de Lausanne (EPFL),University of Cambridge,Cornell University,Chinese Academy of Mathematics and System Science,University of Rome,Microsoft Research,University of Oxford,AITHYRA Institute, gebaseerd op Switzerland, een organisatie geclassificeerd als academia,Academia,Academia,Academia,Academia,Industry,Academia,Research collective.
DiffSBDD (CrossDocked)— wanneer is het uitgebracht?
Het werd gepubliceerd in October 2022. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
DiffSBDD (CrossDocked)— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van drug discovery. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
DiffSBDD (CrossDocked)— 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.
DiffSBDD (CrossDocked)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.7 × 10²⁰ FLOP, op hardware vastgelegd als NVIDIA A100. 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.
DiffSBDD (CrossDocked)— 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.
DiffSBDD (CrossDocked)— 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.
DiffSBDD (CrossDocked)— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
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.