diffusers/main/ko/api/models/rfd4_proteina_transformer.md

RFD4ProteinaTransformer

RFD4-Proteína의 denoiser입니다. sampler가 적분하는 두 가지 모달리티, 즉 backbone CA 위치와 토큰별 local latents의 velocities를 준비된 분자 텐서로부터 예측합니다. 입력은 이름이 지정된 텐서와 checkpoint 구성이 내용을 선택하는 conditioning mapping이며, 구조 파싱은 이 클래스의 범위에 포함되지 않습니다.

from diffusers import RFD4ProteinaTransformer

transformer = RFD4ProteinaTransformer.from_pretrained(
    "nvidia/RFD4-Proteina-Diffusers", subfolder="transformer"
)

RFD4ProteinaTransformer[[diffusers.RFD4ProteinaTransformer]]

diffusers.RFD4ProteinaTransformer[[diffusers.RFD4ProteinaTransformer]]

diffusers.RFD4ProteinaTransformer(nlayers: int = 14, token_dim: int = 768, nheads: int = 12, dim_cond: int = 256, pair_repr_dim: int = 384, latent_dim: int = 32, token_type_emb_dim: int = 32, cath_emb_dim: int = 32, t_emb_dim: int = 256, seq_sep_dim: int = 64, xt_pair_dist_dim: int = 30, xt_pair_dist_min: float = 0.1, xt_pair_dist_max: float = 3.0, feats_seq: tuple = ('xt_bb_ca', 'xt_local_latents', 'token_type', 'sequence_probabilities', 'cond_a37coors_nm', 'cond_a37coors_internal_nm', 'rasa_binned', 'secondary_structure', 'hbond_modernized', 'pistack', 'pication', 'saltbridge', 'hydrophobic', 'metal_coord', 'na_ss_state', 'hotspot', 'atom_charge', 'atomic_element', 'coord_group_seq', 'chirality', 'chain_centroid_xyz'), feats_cond_seq: tuple = ('time_emb_bb_ca', 'time_emb_local_latents', 'cath_code', 'recycle_remaining'), feats_pair_repr: tuple = ('xt_bb_ca_pair_dists', 'bond_mask', 'bond_order', 'is_aromatic', 'index_group_pair', 'molecule_idx_pair', 'molecule_entity_pair', 'token_bond_path_length', 'canonical_polymer_ordering', 'na_ss_pair'), feats_pair_cond: tuple = ('time_emb_bb_ca', 'time_emb_local_latents'), update_pair_repr_every_n: int = 2, tri_mult_c: int = 256, num_sequence_classes: int = 147, num_token_types: int = 7, recycle_conditioning_dim: int = 1)

소스

매개변수:

nlayers (int, 기본값 14) : 트렁크 레이어의 수.

token_dim (int, 기본값 768) : 토큰 표현의 폭입니다.

nheads (int, 기본값 12) : 레이어당 어텐션 헤드 수.

dim_cond (int, 기본값 256) : 조건 벡터(시간, 재사용 인덱스, CATH 라벨)의 폭.

pair_repr_dim (int, 기본값 384) : 페어 표현 폭.

latent_dim (int, 기본값 32) : 토큰별 로컬 잠재 변수의 폭.

token_type_emb_dim (int, 기본값 32) : 토큰 유형 임베딩 폭.

cath_emb_dim (int, 기본값 32) : 각 CATH 클래스/아키텍처/토폴로지 임베딩의 너비.

t_emb_dim (int, 기본값 256) : Sinusoidal time embedding의 폭입니다.

seq_sep_dim (int, 기본값 64) : bond-path-length bin의 수.

xt_pair_dist_dim (int, 기본값 30) : 백본 pair-distance bin의 수.

xt_pair_dist_min (float, 기본값 0.1), xt_pair_dist_max (float, 기본값 3.0) : 나노미터 단위 쌍 거리 범위.

feats_seq, feats_cond_seq, feats_pair_repr, feats_pair_cond (list[str]) : 토큰, 조건, 쌍 및 쌍-조건 입력으로 투영되는 특징의 이름.

update_pair_repr_every_n (int, 기본값 2) : 레이어 간 토큰에서 페어 표현이 업데이트되는 주기.

tri_mult_c (int, 기본값 256) : 해당 업데이트에서 삼각 곱셈의 숨겨진 폭(hidden width)입니다.

num_token_types (int, 기본값 7) : 토큰 유형 어휘의 크기: 단백질, RNA, DNA, 원자화, 미지, 당류 및 비정형 아미노산.

recycle_conditioning_dim (int, 기본값 1) : feats_cond_seq에 해당 기능이 포함된 경우, recycle_remaining 원-핫 인코딩의 폭입니다.

num_sequence_classes (int, 기본값 147) : 시퀀스 리드아웃이 예측하는 잔기 어휘의 크기입니다.

페어링된 백본과 로컬-잠재 모달리티를 갖춘 RFD4 속도 디노이저.

모델은 자체 dtype로 실행됩니다: 저정밀도 추론을 위해 dtype=torch.bfloat16로 로드하세요. forward에 전달되는 샘플링 상태는 float32로 유지되며, 특징 임베딩은 float32로 계산된 후 입력 투영에서 캐스팅됩니다.

forward[[diffusers.RFD4ProteinaTransformer.forward]]

forward(bb_ca: Tensor, local_latents: Tensor, bb_ca_time: Tensor, local_latents_time: Tensor, padding_mask: Tensor, token_type: typing.Optional[torch.Tensor] = None, atom37_mask: typing.Optional[torch.Tensor] = None, conditioning: dict[str, typing.Any] | None = None, recycle_depth: int = 0, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True)

소스

매개변수:

bb_ca (torch.Tensor) : 나노미터 단위 노이시 백본 좌표 (batch, tokens, 3).

local_latents (torch.Tensor) : 노이즈가 포함된 로컬 라텐트 (batch, tokens, latent_dim).

bb_ca_time (torch.Tensor) : (batch,) [0, 1] 범위의 backbone 시간.

local_latents_time (torch.Tensor) : (batch,) [0, 1] 범위의 local-latent 시간.

padding_mask (torch.Tensor) : (batch, tokens), 토큰이 패딩이 아닌 실제 토큰인 위치가 true인 값.

token_type (torch.Tensor, 선택 사항) : (batch, tokens) 토큰 유형 코드.

atom37_mask (torch.Tensor, 선택 사항) : (batch, tokens, 37), 원자 슬롯이 사용된 위치에서 true입니다.

conditioning (dict[str, Any], 선택 사항) : 전처리자가 출력하는 키 아래에 있는 나머지 토폴로지 및 조건 텐서입니다. 이 중 어떤 것이 읽히는지 체크포인트의 feats_seq, feats_cond_seq, feats_pair_repr, feats_pair_cond에 의해 고정됩니다. 구성된 기능이 요청하는 키가 없는 경우 해당 기능이 조건 없이 처리되며 예외가 발생하지 않습니다.

recycle_depth (int, 기본값 0) : 트렁크 패스 횟수; 0이어도 패스가 한 번 실행됩니다.

attention_kwargs (dict, 선택 사항) : 이 호출의 LoRA scale로 scale만 읽습니다.

return_dict (bool, 기본값은 True) : 타입이 지정된 출력 또는 None이 아닌 필드의 튜플을 반환합니다.

반환값: RFD4ProteinaTransformerOutput 또는 tuple

Scheduler 통합 전의 Backbone/local-latent 속도와 선택적 sequence/insertion logits입니다.

샘플러를 진행하지 않고 준비된 분자 텐서에서 속도를 예측합니다.

RFD4ProteinaTransformerOutput[[diffusers.models.transformers.transformer_rfd4_proteina.RFD4ProteinaTransformerOutput]]

diffusers.models.transformers.transformer_rfd4_proteina.RFD4ProteinaTransformerOutput[[diffusers.models.transformers.transformer_rfd4_proteina.RFD4ProteinaTransformerOutput]]

diffusers.models.transformers.transformer_rfd4_proteina.RFD4ProteinaTransformerOutput(backbone: Tensor, local_latents: typing.Optional[torch.Tensor] = None, sequence_logits: typing.Optional[torch.Tensor] = None, insertion_logits: typing.Optional[torch.Tensor] = None)

소스

매개변수:

backbone (torch.Tensor) : (batch, tokens, 3) 형태의 Backbone 속도, 단위 시간당 나노미터.

local_latents (torch.Tensor) : (batch, tokens, latent_dim) 형태의 Latent velocity.

sequence_logits (torch.Tensor, 선택 사항) : (batch, tokens, 147) 모양의 잔류 로짓.

insertion_logits (torch.Tensor, 선택 사항) : (batch, tokens, tokens) 모양의 삽입 할당 logits.

…