GemNet-OC
Žádný odhad
Žádné hardwarové požadavky pro tento model
Hmotnosti tohoto modelu jsou otevřené, ale žádný počet parametrů pro něj nebyl zveřejněn. Každé číslo týkající se paměti a rychlosti vychází z této hodnoty, takže bychom raději nic neukázali, než fabrikaovaný odhad..
Na záznamu
Plná specifikace
Všechno o tomto modelu v záznamech. Většina z toho popisuje, jak byl trénován, spíše než jak funguje — užitečný kontext pro posouzení, kolik práce do něj bylo vynaloženo, a jak se srovnává s modely postavenými na jiné úrovni..
Původ
Kdo vytvořil tento model, kde a kdy byl publikován.
- Organizace
- Technical University of Munich,Carnegie Mellon University (CMU),Facebook AI Research
- Typ organizace
- Academia,Academia,Industry
- Země
- Germany, United States of America, France
- Publikováno
- 30 September 2022
- Autoři
- Johannes Gasteiger, Muhammed Shuaibi, Anuroop Sriram, Stephan Günnemann, Zachary Ulissi, C. Lawrence Zitnick, Abhishek Das
Co to dělá
Problémové oblasti, pro které byl model vytvořen. Model může obsahovat několik z každého.
- Doména
- Materials science
- Úkol
- Molecular simulation, Molecular property prediction, Atomistic simulations, Molecular representation learning, Materials design
Velikost
Jak velký je model a kolik dat byl trénován. Parametry jsou číslo, které rozhoduje, zda se vejde na danou grafickou kartu.
- Výcviková data
- tokens
- Epochy
- 4
"trained for a max number of epochs (4) or until the learning rate has been exhaustively stepped, whichever comes first" from the Table 1: ∼134 M samples (133 934 018) avg size 73.3 (7-225) 133 934 018 * 73.3 = 9817363519.4 atoms (~tokens)
Výpočty pro trénink
Aritmetika prováděná k trénování modelu, měřená v operacích s plovoucí desetinnou čárkou. Je to měřítko toho, kolik stál tréninkový běh, ne jak rychle hotový model na vás odpovídá.
- Výpočty pro trénink
- 5.4 × 10²⁰ FLOP
- Jak bylo ustanoveno
- Hardware
125000000000000 FLOP / GPU / sec [bf16 assumed] * 4000 GPU-hours [inferring from Figure 2] * 3600 sec / hour * 0.3 [asssumed utilization] = 5.4e+20 FLOP
Tréninkový běh
Co fyzicky vyžadovalo trénování: které čipy, kolik, jak dlouho a co to vyžadovalo ze zásuvky.
- Tréninkový hardware
- NVIDIA V100
- Čip-hodiny
- 4,000
Dostupnost
Zda můžete získat model a spustit ho na svém vlastním hardwaru, což rozhoduje o tom, zda se některé z čísel grafických karet na této stránce vztahují.
- Hmotnosti
- Open — downloadable
- Přístup k modelu
- Open weights (unrestricted)
- Tréninkový kód
- Open source
MIT license https://github.com/facebookresearch/fairchem/tree/main/src/fairchem/core
Jak je to klasifikováno
Štítky aplikačních datových sad, které se používají při sledování významných modelů, a jak jistý je ve záznamu.
- Záznam důvěry
- Likely
Žrovy
Odkud tento záznam pochází a kdy byl naposledy zkontrolován.
- Reference
- GemNet-OC: Developing Graph Neural Networks for Large and Diverse Molecular Simulation Datasets
- Nap poslední aktualizace
- 28 November 2025
Co čísla znamenají
O tomto modelu
GemNet-OC byl zveřejněn Technical University of Munich,Carnegie Mellon University (CMU),Facebook AI Research, v zemi zaznamenané jako Germany, během September 2022. Vychází z organizace, která je kategorizována jako academia,Academia,Industry.
funguje v oblasti Materials science, a je zaznamenán jako vykonávající úkol molecular simulation, Molecular property prediction, Atomistic simulations, Molecular representation learning, Materials design.
Protože byly jeho váhy uvolněny, nic ohledně jeho spuštění nezávisí na dostupnosti poskytovatele - je to vaše, jakmile je stáhnuto.
Jak bylo trénováno
Produkce toho vyžadovala aritmetiku v celkové výši přibližně 5.4 × 10²⁰ FLOP, na hardwaru zaznamenáno jako NVIDIA V100. Tato částka měří, kolik stál výroba modelu, a nemá žádný vliv na to, jak rychle odpovídá.
Odpovědi
GemNet-OC — běžné otázky
GemNet-OC— kolik výpočetního výkonu bylo použito k jeho trénování?
Trénink spotřeboval kolem 5.4 × 10²⁰ FLOP, na hardwaru zaznamenáno jako NVIDIA V100. To měří, co stálo výrobu modelu, a neříká nic o tom, jak rychle odpovídá po natrénování — rychlost inferencí závisí na šířce pásma paměti, nikoli na rozpočtu na trénink.
GemNet-OC— Jakou GPU potřebuji k jejímu spuštění?
Nemůžeme říct. Má otevřené váhy, ale žádný počet parametrů pro něj nebyl zveřejněn a každý výpočet paměti a rychlosti začíná od toho čísla. Raději bychom ukázali nic než vykonstruovaný odhad.
GemNet-OC— Je to OPEN SOURCE?
Jeho váhy jsou zveřejněny, takže si je lze stáhnout a spustit na vlastním hardwaru. Všimněte si, že open WEIGHTS není totéž co open SOURCE v plném smyslu — neříká nic o tréninkových datech, tréninkovém kódu nebo obchodních podmínkách připojených.
GemNet-OC— kolik má parametrů?
Pro něj nebyl zveřejněn žádný počet parametrů, a proto se na této stránce neobjevují žádné údaje o paměti nebo rychlosti.
GemNet-OC— Kdo to vytvořil?
Bylo to publikováno společností Technical University of Munich,Carnegie Mellon University (CMU),Facebook AI Research, zakládající se na Germany, organizace zařazená jako academia,Academia,Industry.
GemNet-OC— Kdy byl vydán?
Bylo to zveřejněno v September 2022. Schopnost na parametr se od té doby výrazně zlepšila, takže novější model stejné velikosti je často lepším využitím stejného hardwaru.
GemNet-OC— K čemu se to používá?
funguje v oblasti Materials science, a je zaznamenáno jako zpracovávající úkol molecular simulation, Molecular property prediction, Atomistic simulations, Molecular representation learning, Materials design. Model může nést několik z každého, takže to jsou oblasti, pro které byl navržen, spíše než omezení toho, co se pokusí.
GemNet-OC— kde si to mohu stáhnout?
Váhy jsou zveřejněny, i když nemáme odkaz na repozitář. Tato stránka vypočítává hardwarové požadavky spíše než aby hostila modelové soubory.
Druhý směr
Díváte se na to z druhé strany?
Tato stránka začíná od modelu. Pokud již vlastníte kartu a chcete vědět všechno, co bude spuštěno, začněte raději od hardwaru.