Anthropic hat am 17. September einen Forschungsbericht veröffentlicht: Das Unternehmen ließ Claude die Inferenz von mehr als 30 quelloffenen Biomolekül-Modellen optimieren und steigerte deren Laufzeitgeschwindigkeit in weniger als vier Wochen im Schnitt um etwa das Vierfache, bei nur geringem Genauigkeitsverlust. Wird verlangt, dass die Genauigkeit überhaupt nicht sinkt, liegt die durchschnittliche Beschleunigung bei etwa dem 1,6-Fachen. Der gesamte Code liegt inzwischen im GitHub-Repository anthropics/uplifting-biomolecular-modeling.
Die Modelle stammen aus vier Kategorien: Strukturvorhersage, Proteindesign, Protein-Sprachmodelle und Genomik-Modelle. Im Bericht namentlich genannt werden AlphaFold3, OpenFold3, Boltz-2 und ColabFold 1.6.3; im Design-Bereich geht es um halluzinationsbasiertes Design, Strukturgenerierung und Inverse Folding, mit Diffusion, Flow Matching und Graph Neural Networks als zugrunde liegenden Architekturen. Die übrigen Modelle werden im Bericht nicht einzeln aufgeführt.
Zwei Personen und ein Modell
Das Projekt wurde von zwei Anthropic-Mitarbeitern betreut. Der Bericht beschreibt ihren Hintergrund ausdrücklich: vertraut mit Biomolekül-Modellierung, aber zuvor ohne Erfahrung in Inferenzoptimierung und ohne je einen GPU-Kernel geschrieben zu haben. Die eigentliche Arbeit erledigte Claude in der Umgebung Claude Science; getestet wurden die Modellversionen Mythos 5.1, Mythos 5 und Opus 5.
Die Beschleunigung erfolgt auf zwei Ebenen. Eine ist generisch: Claude schrieb einen eigenen Kernel namens FlashPairformer, der gezielt das rechenintensivste Pairformer-Modul dieser Modellklasse behandelt – die Triangle Attention wird dabei um das 2,7- bis 2,9-Fache beschleunigt, die Triangle Multiplication um das 1,7- bis 3,2-Fache. Die andere Ebene arbeitet modellspezifisch, etwa durch Zwischenspeichern wiederholter Berechnungen oder das Herausschneiden nicht benötigter Zweige.
Wie sich der geringe Genauigkeitsverlust messen lässt, legt der Bericht offen: Bei der Vorhersage von Grenzflächen zählt der DockQ-Score, ein Wert über 0,23 gilt als akzeptabel; bei Designergebnissen zählt ipSAE, ein rechnerischer Score, der mit der Erfolgsquote im Nasslabor korreliert.
Wie groß lässt sich falten
Neben der Geschwindigkeit fällt vor allem die Größenordnung auf. Die bisherige Obergrenze von AlphaFold3 lag bei 7663 Token, nach der Optimierung schafft ein einzelner NVIDIA-B300-Knoten mehr als 70.000 Token – genug für ganze Viruskapside und Protein-Kompartimente, also sehr große Baugruppen.
These are among the largest structures ever folded accurately using structure prediction models.
Übersetzt: Dies zählt zu den größten Strukturen, die je mit Strukturvorhersage-Modellen korrekt gefaltet wurden.
Der Bericht nennt auch die Grenzen: Vorhersagen von Viruskapsiden über 70.000 Token hinaus sind nicht mehr präzise. Auch die Hardware-Hürde bleibt bestehen – für große Systeme braucht es B300-Knoten, selbst für reguläre Aufgaben mindestens Karten der H200-Klasse.
Im Zusammenhang mit der Design-Runde vom Vormonat
Mitte August hatte Anthropic ein Experiment vorgestellt, bei dem Claude Proteinbinder von Grund auf entwarf – bei 15 Zielproteinen entstanden 14 verwertbare Designs, worüber hier bereits berichtet wurde. Jene Runde lief mit mehreren Subagenten und sehr vielen Prompts in der Cloud-Umgebung Modal; laut diesem neuen Bericht kostete sie pro Zielprotein rund 10.000 US-Dollar.
Diesmal wurde das Proteindesign mit dem optimierten Modell-Stack neu durchgeführt: Bei 16 getesteten Zielproteinen genügten eine H200-GPU und 24 Stunden Rechenzeit, GPU- und Token-Kosten zusammen etwa 150 US-Dollar – nach Angaben von Anthropic ein Rückgang um rund zwei Größenordnungen. Da die Zielproteine der beiden Runden nicht identisch sind und der Bericht keine Nasslabor-Validierung für die neuen Designergebnisse liefert, lässt sich direkt nur Kosten und Zeitaufwand vergleichen; die Trefferquote muss sich noch aus weiteren Ergebnissen ergeben.
Von August bis September zeigt sich bei Anthropic in den Life Sciences eine klare Reihenfolge: zuerst beweisen, dass das Modell Moleküle entwerfen kann, die im Labor tatsächlich wirken, dann die dafür genutzten Werkzeuge selbst verbessern. Der zweite Schritt dürfte für akademische Labore die unmittelbarere Wirkung haben – viele Arbeitsgruppen verfügen nur über wenige Karten, und Systeme, die zuvor nicht faltbar waren, lassen sich jetzt mit einer quelloffenen, beschleunigten Version direkt ausprobieren.
Quellen: Anthropic-Forschungsbericht, CocoLoop, Code-Repository anthropics/uplifting-biomolecular-modeling; die durchschnittlichen Beschleunigungsfaktoren, die FlashPairformer-Beschleunigungsbereiche, die Token-Obergrenzen von 7663 und über 70.000 sowie die Kostenangaben pro Zielprotein sollten anhand des Originalberichts geprüft werden.