AlphaFold
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
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
- DeepMind
- Organisatietype
- Industry
- Land
- United Kingdom of Great Britain and Northern Ireland
- Gepubliceerd
- 15 January 2020
- Auteurs
- Andrew W. Senior, Richard Evans, John Jumper, James Kirkpatrick, Laurent Sifre, Tim Green, Chongli Qin, Augustin Žídek, Alexander W. R. Nelson, Alex Bridgland, Hugo Penedones, Stig Petersen, Karen Simonyan, Steve Crossan, Pushmeet Kohli, David T. Jones, David Silver, Koray Kavukcuoglu, 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
- Aanpak
- Self-supervised learning
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.
- parameters
- 16.3M
- Training gegevens
- 6,622,252,080 tokens
"Neural network hyperparameters" section of https://www.nature.com/articles/s41586-019-1923-7: “7 × 4 Blocks with 256 channels, cycling through dilations 1, 2, 4, 8” “48 × 4 Blocks with 128 channels, cycling through dilations 1, 2, 4, 8” "Distogram prediction" section: "For the final layer, a position-specific bias was used" Extended Data Fig.1 (b): Shows that each block consists of 9 layers: (1) Batch norm (2) Elu (3) Project down (halves number of dimensions) (4) Batch norm (5) Elu (6) 3x3 …
Training Domains: 29,427 Average Residues per Domain: 100 Data Points per Domain: 100 × 100 = 10,000 Total Data Points = 29,427 × 10,000 = 294,270,000 ≈ 3.0 × 10⁸
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
- 1 × 10²⁰ FLOP
- Hoe het werd opgericht
- Hardware,Third-party estimation
Estimated in the blogpost below https://www.lesswrong.com/posts/wfpdejMWog4vEDLDg/ai-and-compute-trend-isn-t-predictive-of-what-is-happening "AlphaFold: they say they trained on GPU and not TPU. Assuming V100 GPU, it's 5 days * 24 hours/day * 3600 sec/hour * 8 V100 GPU * 100*10^12 FLOP/s * 33% actual GPU utilization = 10^20 FLOP."
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Kloktijd
- 120 hours
"Training time: about 5 days for 600,000 steps"
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
- Closed — provider access only
- Toegang tot model
- Unreleased
- Training code
- Unreleased
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
- SOTA improvement,Highly cited
- Record vertrouwen
- Speculative
- Citaties
- 2,773
"AlphaFold represents a considerable advance in protein-structure prediction." [Abstract]
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Improved protein structure prediction using potentials from deep learning
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Wat dit model is
AlphaFold werd gepubliceerd door DeepMind, in het land geregistreerd als United Kingdom of Great Britain and Northern Ireland, tijdens January 2020. De publicerende organisatie is geclassificeerd als industry.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van protein folding prediction, Proteins.
Dit is een gesloten model: de getrainde waarden zijn bij degene gebleven die ze geproduceerd hebben, en er is geen lokale versie om te draaien.
Training en herkomst
Training kostte een rekensbudget van ongeveer 1 × 10²⁰ FLOP. 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 6,622,252,080 tekstokens
Het wordt gevolgd in de onderliggende dataset om één specifieke reden: sOTA improvement,Highly cited.
Antwoorden
AlphaFold — veelgestelde vragen
AlphaFold— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 1 × 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.
AlphaFold— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
AlphaFold— is het open-source?
Nee. De gewichten zijn niet gepubliceerd, dus het bestaat alleen als een dienst die wordt beheerd door de eigenaar.
AlphaFold— hoeveel parameters heeft het?
Het heeft een parameter telling van 16.3M. "Neural network hyperparameters" section of https://www.nature.com/articles/s41586-019-1923-7: “7 × 4 Blocks with 256 channels, cycling through dilations 1, 2, 4, 8” “48 × 4 Blocks with 128 channels, cycling through dilations 1, 2, 4, 8” "Distogram prediction" section: "For the final layer, a position-specific bias was used" Extended Data Fig.1 (b): Shows that each block consists of 9 layers: (1) Batch norm (2) Elu (3) Project down (halves number of dimensions) (4) Batch norm (5) Elu (6) 3x3 kernel with dilation (7) Batch norm (8) Elu (9) Project up (doubles number of dimensions) Dilations don't change the number of parameters in each filter Assuming that projection layers are convolutional layers with 1x1 kernels Parameter estimate for each layer in a 256 channel block: (1) 256*2 = 512 (2) 0 (3) 1*1*256*128 = 32768 (4) 128*2 = 256 (5) 0 (6) 3*3*128*128 = 147456 (7) 128*2 = 256 (8) 0 (9) 1*1*128*256 + 256 = 33024 Total = 214272 Parameter estimate for each layer in a 128 channel block: (1) 128*2 = 256 (2) 0 (3) 1*1*128*64 = 8192 (4) 64*2 = 128 (5) 0 (6) 3*3*64*64 = 36864 (7) 64*2 = 128 (8) 0 (9) 1*1*64*128 + 128 = 8320 Total = 53897 Estimate total network = 7*4*214272 + 48*4*53897 = 5992616 + 10348224 = 16340840 ~ 16e6 Within a factor of 2 of the estimate of 21M parameters stated in: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7305407/ [Previous approximation: 7 * 4 * 256 * 3 * 3 * 256 + 48 * 4 * 128 * 3 * 3 * 128 = 44826624]. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
AlphaFold— wie heeft het gemaakt?
Het werd gepubliceerd door DeepMind, gebaseerd op United Kingdom of Great Britain and Northern Ireland, een organisatie geclassificeerd als industry.
AlphaFold— wanneer is het uitgebracht?
Het werd gepubliceerd in January 2020. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
AlphaFold— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van protein folding prediction, Proteins. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
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.