TMol 论文:Rosetta 全原子能量搬进 PyTorch,H200 批处理吞吐提升 350 倍
ArashVahdat · x · 2026-11-20
- 新论文 TMol 把 Rosetta 式的全原子分子能量函数搬进 PyTorch,支持 GPU 批处理与梯度计算,可将分子能量学直接嵌入深度学习模型。
- 性能数据:相比单核 PyRosetta,批量 H200 GPU 下评分+梯度吞吐提升超过 350 倍。
- 工作流闭环:AI 生成生物分子设计 → 能量评分评估预测结构 → 搜索利用反馈迭代候选,展示了物理引导 AI 在数字生物学上的实用路径。
- 与 RFD4-Proteina 工作相关,作者 Kieran Didi 承诺的 TMol 详解线程,论文已上 arXiv。
所属事件:Baker 实验室开源 tmol:GPU 版 Rosetta 力场提速 362 倍(7 条相关)→
「研究」频道最新
- DeepMind 用记忆机制强化递归自我改进,性能 68.41 升至 84.75 — Dr_Singularity · 2026-11-20
- AI 筛选抗疟药论文入选 NeurIPS Africa in AI 分会场 — madeofAjala · 2026-11-20
- AWS 架构师独立实测:Snap 1.2 是唯一选项顺序不变模型 — ryanallred · 2026-11-20
- UC Berkeley 与 DeepMind 论文:LLM 内部几何源于语言统计的平移对称性 — udmrzn · 2026-11-20
- AtlasKV 论文:20GB 显存塞进 10 亿三元组知识图谱,告别 RAG — udmrzn · 2026-11-20
- OnchainBench 发布:测试加密 agent 能否安全持有你的私钥 — DavideCrapis · 2026-11-20