Advertisement

AutoDock-GPU:针对GPU及其他加速器的AutoDock版本

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:None


简介:
AutoDock-GPU是一款专为GPU和其他加速硬件设计的高效分子对接软件。它基于著名的AutoDock程序开发,旨在通过利用现代计算平台的强大功能来显著提升药物设计和生物化学研究中的虚拟筛选效率。 AutoDock-GPU 是 AutoDock 4.2.6 的加速版本,适用于 GPU 和其他加速器,并利用 OpenCL 和 CUDA 技术进行优化。通过在多个计算单元上并行处理配体-受体姿态,它能够高效地执行其令人尴尬的可并行 LGA(局部几何逼近)。OpenCL 版本是与 TU-Darmstadt 合作开发的,支持 CPU、GPU 和 FPGA 架构;CUDA 版本则是 NVIDIA 的合作成果,在 Oak Ridge 国家实验室 (ORNL) 峰会上展示了性能优势。该版本包含了 Jubilee Development 公司 Aaron Scheinberg 开发的批量配体管线,并采用基于梯度的局部搜索方法(例如 ADADELTA)以及改进版 Solis-Wets 方法来加速 AutoDock 4 的运行效率。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • AutoDock-GPUGPUAutoDock
    优质
    AutoDock-GPU是一款专为GPU和其他加速硬件设计的高效分子对接软件。它基于著名的AutoDock程序开发,旨在通过利用现代计算平台的强大功能来显著提升药物设计和生物化学研究中的虚拟筛选效率。 AutoDock-GPU 是 AutoDock 4.2.6 的加速版本,适用于 GPU 和其他加速器,并利用 OpenCL 和 CUDA 技术进行优化。通过在多个计算单元上并行处理配体-受体姿态,它能够高效地执行其令人尴尬的可并行 LGA(局部几何逼近)。OpenCL 版本是与 TU-Darmstadt 合作开发的,支持 CPU、GPU 和 FPGA 架构;CUDA 版本则是 NVIDIA 的合作成果,在 Oak Ridge 国家实验室 (ORNL) 峰会上展示了性能优势。该版本包含了 Jubilee Development 公司 Aaron Scheinberg 开发的批量配体管线,并采用基于梯度的局部搜索方法(例如 ADADELTA)以及改进版 Solis-Wets 方法来加速 AutoDock 4 的运行效率。
  • AutoDock Tools
    优质
    AutoDock Tools是一款用于准备和编辑输入文件、分析结果输出的强大软件工具包,特别适用于AutoDock程序进行分子对接研究。 用于模拟的工具可以与Autodock结合使用来进行分子与小分子的对接研究。
  • Autodock安装
    优质
    本教程详细介绍了如何在不同操作系统中安装Autodock软件的过程,帮助用户顺利完成分子对接模拟的前期准备。 Autodock安装指南将帮助你顺利完成这款软件的安装,用于大分子对接。
  • AutoDock与MGLtools1.5.6-Windows.rar
    优质
    该压缩文件包含AutoDock和MGL工具集1.5.6的Windows版本安装包。AutoDock用于分子对接研究,MGL工具集提供图形用户界面支持及格式转换功能。 本软件为蛋白对接软件的Windows版本,包含了AutoDock对接软件和Autodocktools对接视图软件。
  • TensorFlow-GPU缺失cublas64_11.dll等问题
    优质
    简介:本文探讨并解决在使用TensorFlow-GPU版本时遇到的cublas64_11.dll文件缺失问题,并提供相应的解决方案。 需要处理的DLL文件包括cublas64_11.dll、cublasLt64_11.dll、cudnn64_8.dll以及cufft64_10.dll等7个文件。
  • Autodock Vina软件
    优质
    AutoDock VINA是一款用于分子对接的强大且灵活的开源软件工具,广泛应用于药物设计和蛋白质工程领域。 Autodock Vina软件非常好用,计算也很方便。
  • AutoDock分子接指南手册
    优质
    《AutoDock分子对接指南手册》是一本详细指导用户如何使用AutoDock软件进行药物设计中关键步骤——分子对接操作的手册。它不仅涵盖了基础理论知识,还提供了丰富的实践案例和技巧分享,帮助研究人员高效掌握这一技术,加速新药研发进程。 这是一份非常不错的分子对接教程,内容形象易懂。
  • CPU与CUDA矩阵乘法GPU
    优质
    本文探讨了在执行大规模矩阵乘法运算时,基于CPU的传统计算方式与利用CUDA技术进行GPU加速的性能差异。通过详实的数据分析和实验结果,文章揭示了采用CUDA加速器后显著提升的计算效率及处理能力,为高性能计算领域提供了有价值的参考信息。 这个程序用于比较CUDA矩阵乘法与CPU矩阵乘法的性能差异,可以作为参考。
  • PyTorchGPU实例
    优质
    本实例教程深入浅出地介绍如何利用PyTorch进行GPU加速,旨在帮助开发者提升深度学习模型训练效率。 硬件:NVIDIA-GTX1080 软件:Windows7、Python 3.6.5、PyTorch GPU版 0.4.1 一、基础知识: 将数据和网络都推到GPU上,需要在代码中添加.cuda()。 二、代码展示: ```python import torch import torch.nn as nn import torch.utils.data as Data import torchvision EPOCH = 1 BATCH_SIZE = 50 LR = 0.001 DOWNLOAD_MNIST = False train_data = torchvision.datasets ``` 这段文本展示了如何设置环境并导入必要的库,定义了训练的轮数、批次大小以及学习率等超参数,并设置了是否下载MNIST数据集。注意,在实际应用中需要进一步完善`train_data`部分以完成对数据集的具体操作和加载。
  • PyTorchGPU实例
    优质
    本实例详细介绍了如何利用PyTorch框架在GPU上进行深度学习模型训练,展示了代码优化技巧和性能提升方法。 主要介绍了使用PyTorch进行GPU加速的实例,具有很好的参考价值,希望对大家有所帮助。一起跟随文章详细了解吧。