論文の概要: Deploying DeepSeek 175B Locally on a Single Consumer-Grade RTX 4060 Laptop with 32GB RAM for 200k-Scale Protein-Ligand Virtual Screening

• arxiv url: http://arxiv.org/abs/2608.30877v1
• Date: Mon, 31 Aug 2026 14:35:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.449303
• Title: Deploying DeepSeek 175B Locally on a Single Consumer-Grade RTX 4060 Laptop with 32GB RAM for 200k-Scale Protein-Ligand Virtual Screening
• Title（参考訳）: 1台のコンシューマグレードRTX 4060ラップトップにローカルにDeepSeek 175Bを展開、32GB RAMで200kスケールのタンパク質リガンド仮想スクリーニングが可能に
• Abstract要約: 大規模言語モデル(LLM)はタンパク質-リガンド相互作用予測において例外的な性能を示した。 大規模言語モデル(LLM)の最近の進歩は、タンパク質-リガンド相互作用予測において例外的な性能を示した。
• 参考スコア（独自算出の注目度）: 2.2031237469592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in large language models (LLMs) have demonstrated exceptional performance in protein-ligand interaction prediction, but state-of-the-art pipelines for large-scale virtual screening almost exclusively rely on high-end GPU clusters with hundreds of gigabytes of memory, creating prohibitive hardware barriers for small academic teams. In this work, we present a fully local low-resource framework that deploys the 175-billion-parameter DeepSeek 175B LLM on a single consumer-grade RTX 4060 laptop equipped with 32GB system RAM and 8GB VRAM, completing a full 200k-scale protein-ligand virtual screening workflow across 20 distinct protein targets. Our implementation achieves 100x throughput of an 8-card A100 cluster baseline under identical task configurations within 72 hours, with an average binding affinity prediction error of 0.88 kcal/mol across all targets, satisfying the 1.0 kcal/mol chemical accuracy requirement for preclinical drug discovery. Systematic runtime profiling reveals that heterogeneous memory management overhead accounts for 72% of total execution time, while accuracy loss introduced by model optimization contributes less than 10% to total prediction error. This work validates the engineering feasibility of running industrial-scale trillion-parameter LLM-driven biomedical computing tasks on consumer hardware, establishing a new low-barrier paradigm for AI-powered early stage drug discovery.
• Abstract（参考訳）: 大規模言語モデル(LLM)の最近の進歩は、タンパク質-リガンド相互作用の予測において例外的なパフォーマンスを示しているが、大規模仮想スクリーニングのための最先端パイプラインは、数百ギガバイトのメモリを持つハイエンドGPUクラスタにのみ依存しており、小規模な学術チームにとってハードウェア障壁が禁止されている。 本研究では,32GBのシステムRAMと8GBのVRAMを備えた1台のコンシューマグレードRTX 4060ラップトップ上に175ビリオンパラメーターのDeepSeek 175B LLMをデプロイし,20種類のタンパク質ターゲットに対して,200kスケールのタンパク質リガンド仮想スクリーニングワークフローを完成させる,完全ローカルな低リソースフレームワークを提案する。 72時間以内に同一のタスク構成で8カードのA100クラスタベースラインの100倍のスループットを実現し, 平均結合親和性予測誤差は0.88kcal/molであり, プリクリナル医薬品発見における1.0kcal/molの化学的精度要件を満たす。 システマティック・ランタイム・プロファイリングでは、不均一なメモリ管理オーバーヘッドが全体の実行時間の72%を占めており、モデル最適化によって導入された精度損失は全体の予測誤差に10%未満である。 この研究は、産業規模で1兆パラメートルのLSM駆動型バイオメディカルコンピューティングタスクを消費者向けハードウェア上で実行することの工学的実現可能性を検証する。

関連論文リスト

• From Production Traffic to Post-Training: Building a Self-Hosted LLM That Covers the Corporate Request Mix [55.08143827481755]
  200以上の内部アプリケーションから1つのモデルにトラフィックを集約します。 我々は、各軸ごとに別々のGRPOエキスパートを訓練し、2段階のSLERPを介してそれらをマージする。 このモデルは、プラットフォームトラフィックの50%、月1億6600万リクエストをサービスコストのごく一部で吸収する。
  論文  参考訳（メタデータ） (2026-09-01T17:39:26Z)
• MEMTIER: Tiered Memory Architecture and Retrieval Bottleneck Analysis for Long-Running Autonomous AI Agents [6.8552591401084015]
  提案するMEMTIERは,OpenClawエージェントのための三部構成メモリアーキテクチャである。 完全なLongMemEval-Sベンチマークでは、MEMTIERは6GBのGPU上でQwen2.5-7BでAcc.382, F1=.412を達成する。 DeepSeek-V4-Flashでは、シングルセッションリコールは0.686-0.714に達し、これらのカテゴリのRAG GPT-4oを上回っている。
  論文  参考訳（メタデータ） (2026-05-05T12:14:10Z)
• Silicon Showdown: Performance, Efficiency, and Ecosystem Barriers in Consumer-Grade LLM Inference [0.0]
  本稿では,Nvidia と Apple Silicon のエコシステムについて,系統的な実証分析を行った。 大規模モデルをデプロイするために必要なアーキテクチャ内トレードオフを特徴付ける。 我々は、コンシューマグレードの推論において、最適なハードウェアは計算密度(Nvidia)とメモリ容量(Apple)の複雑な相互作用によって定義されると結論付けた。
  論文  参考訳（メタデータ） (2026-05-01T08:45:47Z)
• Design and Validation of a Lightweight 1D CNN for Affective Touch Classification in Soft Plush Companions [59.49967357689445]
  ソフトなセンサー付きコンパニオンは、社会的支援技術のための物理的に安全で感情的に直感的なインターフェースを提供する。 本研究では,ソフト・インタラクティブ・コンパニオンにおける感情的触覚認識のためのディープラーニングモデルの開発と検証を目的とした,オープンソースで拡張されたリアルタイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-16T10:20:05Z)
• Omni-SimpleMem: Autoresearch-Guided Discovery of Lifelong Multimodal Agent Memory [76.63021613850093]
  我々は、生涯にわたるAIエージェントのための統合マルチモーダルメモリフレームワークであるOmni-SimpleMemを発見するために、自律的な研究パイプラインをデプロイする。 システムは2つのベンチマークで最先端を実現し、LoCoMoではF1を+411%改善し、Mem-Galleryでは+214%向上した。 本稿では,6種類の発見型を分類し,特に自動検索に適したマルチモーダルメモリを実現する4つの特性を同定する。
  論文  参考訳（メタデータ） (2026-04-01T15:06:23Z)
• Enabling Real-Time Colonoscopic Polyp Segmentation on Commodity CPUs via Ultra-Lightweight Architecture [11.978087816729534]
  我々は超圧縮方式(0.3Mパラメータ)で機能するUltraSegファミリーを提示する。 モデルは、精度を犠牲にすることなく、単一のCPUコア上で90FPSを達成する。 この研究は、大腸内視鏡のためのCPUネイティブなソリューションを提供するだけでなく、より広範に侵襲的な外科的視覚応用のための再現可能な青写真も提供する。
  論文  参考訳（メタデータ） (2026-02-04T10:04:30Z)
• GENIUS: An Agentic AI Framework for Autonomous Design and Execution of Simulation Protocols [32.505127447635864]
  GENIUSは、スマート量子ESPRESSO知識グラフと有限状態エラー回復マシンによって管理される大規模言語モデルの階層構造を融合するAIエージェントワークフローである。 GENIUSは、フリーフォームの人為的なプロンプトを検証済みの入力ファイルに変換し、295の多様なベンチマークの80%の$approxで実行し、76%が自律的に修復され、成功は指数関数的に7%のベースラインに崩壊する。 このフレームワークは、プロトコル生成、検証、修復をインテリジェントに自動化して電子構造DFTシミュレーションを民主化し、大規模なスクリーニングとICME設計ループを世界中の学界や業界に開放する。
  論文  参考訳（メタデータ） (2025-12-06T11:28:35Z)
• Low-cost Embedded Breathing Rate Determination Using 802.15.4z IR-UWB Hardware for Remote Healthcare [2.6066253940276347]
  本稿では,超広帯域(UWB)チャネルインパルス応答(CIR)データから呼吸速度を予測するための畳み込みニューラルネットワーク(CNN)を提案する。 46KBのメモリを必要とするnRF52840システムにアルゴリズムをデプロイし,192msの推論時間で動作可能であることを示す。
  論文  参考訳（メタデータ） (2025-04-03T07:54:25Z)
• ParallelComp: Parallel Long-Context Compressor for Length Extrapolation [51.68913021512016]
  超長い文脈(テキスト長 >128K)の補間は、大きな言語モデル(LLM)にとって大きな課題である。 本研究では,メモリボトルネックを効果的に克服する並列長コンテキスト圧縮手法であるParallelCompを提案する。 チャンクスループットが1.76倍向上し、プリフィル段階では23.50倍の高速化を実現し、性能損失を無視できる。
  論文  参考訳（メタデータ） (2025-02-20T07:10:43Z)
• Pruning random resistive memory for optimizing analogue AI [54.21621702814583]
  AIモデルは、エネルギー消費と環境持続可能性に前例のない課題を提示する。 有望な解決策の1つは、アナログコンピューティングを再考することである。 ここでは、構造的塑性に着想を得たエッジプルーニングを用いたユニバーサルソリューション、ソフトウェア・ハードウエアの共設計について報告する。
  論文  参考訳（メタデータ） (2023-11-13T08:59:01Z)
• DeepGEMM: Accelerated Ultra Low-Precision Inference on CPU Architectures using Lookup Tables [49.965024476651706]
  DeepGEMMはSIMDハードウェア上で超高精度畳み込みニューラルネットワークを実行するためのルックアップテーブルベースのアプローチである。 実装は、x86プラットフォーム上で、対応する8ビット整数カーネルを最大1.74倍の性能で上回る。
  論文  参考訳（メタデータ） (2023-04-18T15:13:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。