Anthropic raportoi, että Claude optimoi yli 30 avointa biomolekyylimallia

Anthropic julkaisi tutkimusjulkaisun 17. syyskuuta 2026, raportoiden että Claude optimoi yli 30 avointa biomolekyylimallia alle neljässä viikossa, minkä yritys kertoi keskimäärin nopeuttavan malleja noin 4‑kertaisesti. Anthropic avasi optimoidun koodin avoimeksi lähteeksi ja ilmoitti proteiinisuunnittelukilpailusta, jonka se co-sponsoroi Adaptyv Bio.

36 optimoitua pakettia ja FlashPairformer-ytimet

Tutkimusjulkaisun ja siihen liittyvän teknisen raportin mukaan sisäinen yleiskäyttöinen tutkimusmalli tuotti optimoituja paketteja 36 mallin toteutukselle, jotka kattavat yli 30 avointa mallia kuudessa perheessä: yhteistaittelu ja rakenteen ennustus (14 pakettia), harhautus (3), rakenteen generointi (6), käänteistaittelu (3), genomiikka (7) ja proteiinikielimallit (3). Anthropic kertoi, että Claudea valvoi pääasiassa kaksi sen teknistä henkilökuntaa, joilla on kokemusta biomolekyylimallinnuksesta, mutta ei inferenssioptimoinnista tai ytimen suunnittelusta.

Jokainen paketti toimii alkuperäisten mallipainojen kanssa ja tarjoaa enintään kolme tilaa: Exact, joka on suunniteltu tuottamaan muokkaamaton malli bittikerrallaan; Fast, joka vaihtaa pienen määrän numeerista tarkkuutta nopeuden puolesta; ja Big, joka vähentää muistin käyttöä, jotta suuremmat syötteet mahtuvat GPU-muistiin. Raportin mukaan Exact-tila suoritti 14 rakenteen ennustusmallin eteenpäin -vaiheen keskimäärin 1,6‑kertaisesti nopeammin kuin muokkaamattomat mallit NVIDIA H100 -GPUilla, Fast-tila suoritti 13 mallia, jotka sitä tukevat, keskimäärin 4,1‑kertaisesti nopeammin, ja Big-tila oli keskimäärin 3,4‑kertaisesti nopeampi.

Modernit rakenteen ennustusmallit, kuten AlphaFold3, OpenFold3 ja Boltz-2, käyttävät suurimman osan suoritusaikastaan ja muististaan kolmion‑huomiosta ja kolmion‑kertolaskusta, kahdesta operaatioista, joiden kustannus on kuutio tokenien määrässä. NVIDIA on kehittänyt omia ytimiä näille operaatioille, alun perin cuEquivariance‑projektissa ja myöhemmin BioNeMo Inference Runtime -ympäristössä. Samassa pullonkaulassa Claude kehitti FlashPairformer v1:n, joukon räätälöityjä GPU-ytimiä. Raportin mukaan FlashPairformer v1 suoritti kolmion‑huomion 2,7‑kertaisesti nopeammin kuin alan standardiytimet parin leveyksillä 128, joita käyttävät AlphaFold3 ja Boltz-2, ja 2,9‑kertaisesti nopeammin leveyksillä 256, joita käyttää Protenix v2, ja kolmion‑kertolasku oli vastaavasti 1,7‑ ja 3,2‑kertaisesti nopeampi, mitattuna yhdellä NVIDIA H100:lla.

Yhteisten ytimiä lukuun ottamatta Claude toteutti mallikohtaisia optimointeja, mukaan lukien välimuistiin tallentaminen (memoizing) alkuperäisen koodin uudelleenlaskemia välivaiheita, vakioiden laskenta haarojen vakioiden tulosten kanssa (constant-folding), CUDA-graafin kaappaus ja ytimen yhdistäminen (kernel fusion). Raportin mukaan Fast-tilan nopeutukset rakenteen ennustusmalleissa vaihtelivat 2,3‑kertaisesta OpenDDE:ssa 6,4‑kertaisiin Chai-1:ssa, ja genomiikka- ja proteiinikielimallit saivat Exact-tilassa 1,2‑kertaisen–5,0‑kertaisen parannuksen.

Tarkkuuden osalta raportti kertoo, että FoldBench-Lite‑testissä, jossa on 1 925 mallin‑kohdeparia 13 mallikonfiguraatiossa, hyväksyttävien ennustettujen interfacen osuus oli 54,8 % oletusasetuksilla, 55,0 % Exact‑tilassa, 54,5 % Fast‑tilassa ja 54,2 % Big‑tilassa, eikä pooled‑muutoksessa ollut tilastollisesti merkittävää eroa nollasta. Mainitut rajoitukset sisältävät mittaukset vain H100‑GPUilla, ColabFold‑nopeutukset mitattuina versioon 1.6.1 ennen kuin projekti julkaisi omat yhdistetyt ytimet, sekä Exact‑ ja Fast‑tilojen käyttävän jopa 3,2‑kertaisesti enemmän muistia kuin oletus.

Big-tila massiivisille biomolekyylijärjestelmille

Anthropic kertoi, että Claude:n vähämuistinen Big-tila mahdollistaa tarkat mallinnukset biomolekyylijärjestelmille, jotka ovat suurempia kuin 10 000 tokenia (aminohappoja, nukleotideja ja pieniä molekyylejä sekä ioneja), ja inferenssin järjestelmille, jotka ovat suurempia kuin 70 000 tokenia, kaikki yhdellä NVIDIA GPU -solmulla, jonka postaus kuvaa aiemmin saavuttamattomaksi tehtäväksi. Big-tilassa tarkasti ennustetut molekyylikoneet sisältävät ihmisen mitokondriaalisen kompleksin I, TRiC‑kaperonikompleksin, proteasomin ja bakteerisen 70S‑ribosomin, jotka kaikki vastaavat kokeellista rakennetta TM-pisteillä 0,92–0,997, raportin mukaan. Anthropic sanoi, että nämä ovat heidän tietojensa mukaan suurimpia rakenteita, jotka on koskaan tarkasti taitettu rakenteen ennustusmallien avulla; raportti mainitsee, että AlphaFold3‑julkaisu korosti tarkkaa 40S‑ribosomin ennustetta, jossa on 7 663 tokenia, ja että AlphaFold3 koulutettiin enintään 768 tokenin leikkauksilla.

Testatakseen optimointien rajoja Claude suoritti rakenteen ennustusta koko viruskapseleille ja proteiinikomponenteille, jotka vaihtelivat noin 31 000:sta yli 70 000:een residuaania käyttäen yhtä kahdeksan B300‑GPU:n solmua. Kaikki seitsemän suoritusta päättyivät, mutta jokainen ennuste romahti tiiviiksi palloksi, TM-pisteet 0,08–0,14, missä ne mitattiin. Raportti olettaa, että romahdus johtuu yleistämisen epäonnistumisesta, koska kokoelmat ovat 40–90‑kertaisesti suurempia kuin AlphaFold3:n suurin koulutusleikkaus, ja esittää tuloksen laajentavan laskettavissa olevaa sen sijaan, että mallit olisivat oppineet.

Sidontasuunnittelu yhdellä GPU:lla

Anthropicin aikaisemmassa sidontasuunnittelutyössä Claude toimi noin 16 000 sanan kehotteesta, käytti alitoimijoita ja saattoi käyttää enintään 10 000 $ per kohde AI-infrastruktuurialustalla Modal, mikä vastaa noin 2 500 H100‑GPU‑tuntia 24 tunnin sisällä. Uudessa asetelmassa yksi Claude‑malli sai yhden NVIDIA H200‑GPU:n ja 24 tunnin wall‑aikaa, toimi noin 1 100 sanan kehotteesta, eikä siinä ollut alitoimijoita eikä ihmisen ohjausta. Kolmea mallia, Mythos 5.1, Mythos 5 ja Opus 5, ajettiin jokainen aikaisemman tutkimuksen 16 kohteeseen.

Raportti toteaa, että mediaanipisteet ipSAE‑testissä, jonka se kuvaa ennustavaksi kokeellisesta sitoutumisesta, olivat 0,785 Opus 5:lle, 0,781 Mythos 5.1:lle ja 0,739 Mythos 5:lle, verrattuna 0,749 aikaisemmissa kampanjoissa, parhaiden suunnittelupisteiden ollessa 0,833, 0,825 ja 0,813 vastaavasti 0,817:aan. Yhden GPU:n suoritukset käyttivät noin 100‑kertaisesti pienempää GPU‑budjettia, ja raportti mainitsee, että noin 150 $ yhteiskustannuksilla GPU:iin ja tokeneihin saavutettiin in silico -suorituskyky, joka vastaa aikaisempia kampanjoita. Raportti kertoo, että näiden suoritusten suunnitelmia ei ole testattu kokeellisesti ja että pisteet ovat in silico -mittauksia, eivät kokeellisia tuloksia.

Avoimen lähdekoodin julkaisuehdot

Anthropic julkaisi koodin julkisessa GitHub-varasto, joka sisältää 36 valmiiksi käyttökelpoista optimointipakettia, yhden jokaiselle ylävirran työkalulle, alkuperäisen koodin ollessa Apache License 2.0 -lisenssin alla; ensimmäinen julkinen julkaisu tehtiin 17 syyskuuta 2026. Paketit jakavat yhteisen off-, exact-, fast- ja big‑tilan sanaston ja ne on konfiguroitu NVIDIA H100 80 GB GPU:ille Linux x86‑64 -ympäristössä, joissakin paketeissa mukana myös A100-, H200-, B200- tai B300‑konfiguraatiot. Varasto ilmoittaa, että julkaisu on viitejulkaisu, jota ei ylläpidetä eikä siihen oteta vastaan kontribuutioita, ja että esirakennetut Docker‑ ja Apptainer‑kuvat on suunniteltu julkaistavaksi viikon sisällä alkujulkaisusta.

Proteiinisuunnittelukilpailu Adaptyv Bion kanssa

Anthropic kertoi, että se ja Adaptyv Bio valitsivat viisi ongelmaa, jotka ovat nykyisten proteiinisuunnittelukyvyn raja‑alueella, mukaan lukien lajien välinen risti‑reaktio, pH‑herkkyys ja peptide‑MHC‑spesifisyys, sekä vaikeita kohteita kuten GPCR:t. kilpailusivun mukaan kaksi organisaatiota sponsoroivat yhteisesti 1 miljoonaa $ kokeelliseen validointiin, jossa testataan yli 5 000 proteiinisuunnitelmaa Adaptyvin automatisoidussa laboratoriossa osallistujille maksutta, ja Anthropic tarjoaa lisäksi 1 miljoonaa $ Claude‑krediä. Anthropicin julkaisu kertoo, että Modal tarjoaa enintään 250 000 $ laskentakrediittejä ja että Twist Bioscience toimittaa DNA‑materiaalia kilpailuun.

Tarjolla on kolme osallistumiskulkua: tutkimuslaboratoriot ja yritykset, joille akateemisille tiimeille on varattu enintään 50 000 $ Claude‑krediä ja teollisuustiimeille enintään 25 000 $, noin 20 tiimiä valitaan ja varataan laboratoriotestaus enintään noin 18 suunnitelmalle per haaste; yksittäiset tutkijat tai enintään kolmen hengen tiimit, joille kilpailun aikana annetaan ilmainen Claude Max 20x‑pääsy; sekä itserahoitettu avoin rata, jossa Claude‑käyttö on valinnaista.

Hakemukset aukeavat 16 syyskuuta 2026 ja sulkeutuvat 24 syyskuuta 2026, ja valituille tiimeille ilmoitetaan tulokset ennen 28 syyskuuta 2026. Viisi viikoittaista haastetta toteutetaan 28 syyskuuta–31 lokakuuta 2026, kokeellinen validointi on suunniteltu valmistuvan 30 november 2026 mennessä, ja tulokset julkaistaan Proteinbasessa 15 joulukuuta 2026. Osallistujat säilyttävät suunnitelmiensa omistusoikeuden, kaikki kokeelliset tulokset, myös negatiiviset, julkaistaan avoimesti, eikä rahapalkintoa ole; sivu kuvaa aikataulun suunnitelluksi ja mahdollisesti muuttuvaksi.