AlphaFold-Multimer
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
- Google DeepMind,DeepMind
- Organisatietype
- Industry,Industry
- Land
- United States of America, United Kingdom of Great Britain and Northern Ireland
- Gepubliceerd
- 4 October 2021
- Auteurs
- 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
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Biology
- Taak
- Protein folding prediction, Proteins
- Basis model
- AlphaFold 2
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
- 56,573,952 tokens
- Epochs
- 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
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
- 4.4 × 10²¹ FLOP
- Hoe het werd opgericht
- 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
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- Google TPU v3
- Gebruikte chips
- 64
- Chip-uren
- 24,576
- Kloktijd
- 384 hours (16 days)
- Stroomverbruik
- 58.1 kW
- Rekenkosten
- $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)"
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
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
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.
- Waarom het wordt gevolgd
- Highly cited,SOTA improvement
- Record vertrouwen
- Confident
- Citaties
- 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 …
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Protein complex prediction with AlphaFold-Multimer
- Laatst bijgewerkt
- 1 January 2026
Wat de cijfers betekenen
Achtergrond
AlphaFold-Multimer werd gepubliceerd door Google DeepMind,DeepMind, in het land geregistreerd als United States of America, tijdens October 2021. De publicerende organisatie is geclassificeerd als industry,Industry.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van protein folding prediction, Proteins.
In plaats van vanaf nul te worden getraind, is het afgeleid van AlphaFold 2. Dat is de gebruikelijke manier waarop een gespecialiseerd model wordt geproduceerd.
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.
Hoe het getraind werd
Training kostte een rekensbudget van ongeveer 4.4 × 10²¹ FLOP, op hardware vastgelegd als Google TPU v3. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
De trainingsset liep naar ongeveer 56,573,952 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: highly cited,SOTA improvement.
Antwoorden
AlphaFold-Multimer — veelgestelde vragen
AlphaFold-Multimer— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van protein folding prediction, Proteins. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
AlphaFold-Multimer— 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.
AlphaFold-Multimer— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 4.4 × 10²¹ FLOP, op hardware vastgelegd als Google TPU v3. 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.
AlphaFold-Multimer— 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.
AlphaFold-Multimer— 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.
AlphaFold-Multimer— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
AlphaFold-Multimer— wie heeft het gemaakt?
Het werd gepubliceerd door Google DeepMind,DeepMind, gebaseerd op United States of America, een organisatie geclassificeerd als industry,Industry.
AlphaFold-Multimer— wanneer is het uitgebracht?
Het werd gepubliceerd in October 2021. 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.