PocketGen
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
- University of Science and Technology of China (USTC),Hefei Comprehensive National Science Center,Harvard University,Broad Institute,Harvard Data Science Initiative
- Organisatietype
- Academia,Research collective,Academia,Research collective,Academia
- Land
- China, United States of America
- Gepubliceerd
- 23 September 2024
- Auteurs
- Zaixi Zhang, Wan Xiang Shen, Qi Liu, Marinka Zitnik
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Biology
- Taak
- 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.
- parameters
- 7.9M
- Training gegevens
- 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
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
- 2.1 × 10¹⁹ FLOP
- Hoe het werd opgericht
- Hardware
"It takes around 48 hours to finish training on 1 Tesla A100 GPU from scratch." Assume 40% utilization, FP16 tensor precision.
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
- 48 hours
- Stroomverbruik
- 433 W
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
- 15
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Efficient Generation of Protein Pockets with PocketGen
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Wat dit model is
PocketGen werd gepubliceerd door University of Science and Technology of China (USTC),Hefei Comprehensive National Science Center,Harvard University,Broad Institute,Harvard Data Science Initiative, in het land geregistreerd als China, tijdens September 2024. De publicerende organisatie is geclassificeerd als academia,Research collective,Academia,Research collective,Academia.
Het werkt in het domein van Biology, en wordt geregistreerd als het uitvoeren van de taak van protein-ligand contact prediction.
De gewichten werden nooit gepubliceerd, dus het kan alleen worden bereikt via de provider. Geen enkele GPU verandert dat.
Hoe het getraind werd
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 2.1 × 10¹⁹ 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.
Antwoorden
PocketGen — veelgestelde vragen
PocketGen— is het open-source?
De licenties werden nooit vastgelegd in onze brondocumenten. We beschouwen niet-verklaarde licenties als gesloten, omdat een niet-vastgelegde licentie er geen is om op te vertrouwen.
PocketGen— hoeveel parameters heeft het?
Het heeft een parameter telling van 7.9M. "As a result, PocketGen requires significantly fewer trainable parameters than RFDiffusionAA [16] (7.9M versus 82.9M trainable parameters).". 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.
PocketGen— wie heeft het gemaakt?
Het werd gepubliceerd door University of Science and Technology of China (USTC),Hefei Comprehensive National Science Center,Harvard University,Broad Institute,Harvard Data Science Initiative, gebaseerd op China, een organisatie geclassificeerd als academia,Research collective,Academia,Research collective,Academia.
PocketGen— wanneer is het uitgebracht?
Het werd gepubliceerd in September 2024. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
PocketGen— waarvoor wordt het gebruikt?
Het werkt in het domein van Biology, en wordt geregistreerd als het afhandelen van protein-ligand contact prediction. Dit zijn de gebieden waar het omheen is ontworpen; ze beschrijven intentie eerder dan een harde grens.
PocketGen— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 2.1 × 10¹⁹ 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.
PocketGen— 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.
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.