MEGNet (molecule model)
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, sodass es weder heruntergeladen noch auf Ihrer eigenen Hardware in irgendeiner Größe ausgeführt werden kann. Es ist nur über seinen Anbieter zugänglich, und keine Grafikkarte ändert daran etwas.
Aufzeichnung
Vollständige Spezifikation
Alles aufzeichnungsfähig für dieses Modell. Die meisten Informationen beschreiben, wie es trainiert wurde, anstatt wie es läuft — ein nützlicher Kontext, um zu beurteilen, wie viel Arbeit investiert wurde und wie es im Vergleich zu auf einer anderen Skala entwickelten Modellen abschneidet..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- University of California San Diego
- Organisationstyp
- Academia
- Land
- United States of America
- Veröffentlicht
- 10 April 2019
- Autoren
- Chi Chen, Weike Ye, Yunxing Zuo, Chen Zheng, Shyue Ping Ong
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere von jedem tragen.
- Domäne
- Materials science
- Aufgabe
- Molecular property prediction
Größe
Wie groß das Modell ist und wie viele Daten es trainiert wurde. Die Parameter sind die Größe, die entscheidet, ob es auf eine bestimmte Grafikkarte passt.
- Parameter
- 8.7K
- Trainingsdaten
- 117,416 tokens
- Epochen
- 1,000
Calculations here: https://docs.google.com/document/d/1BTmyZ9KVTIwkp9z9tRRFsWM5A0QcXiufXrIhujffyso/edit?tab=t.0#heading=h.dcux1bvmijlm
Training-Computing
Die zur Ausbildung des Modells durchgeführte Arithmetik, gemessen in Gleitkommaoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht wie schnell das fertige Modell Ihnen antwortet.
- Training-Computing
- 4.5 × 10¹⁷ FLOP
Calculations here: https://docs.google.com/document/d/1BTmyZ9KVTIwkp9z9tRRFsWM5A0QcXiufXrIhujffyso/edit?tab=t.0#heading=h.c0h2t2icf5xr Assuming a single GPU (the model is quite small): 1.0e+3*100*1.1e+13*0.4=4.5e+17
Der Trainingslauf
Was physisch notwendig war, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Steckdose zog.
- Trainingshardware
- NVIDIA GeForce GTX 1080 Ti
- Verwendete Chips
- 1
- Wand-Uhrzeit
- 28 hours
- Stromverbrauch
- 283 W
Wie es klassifiziert ist
Labels der Quelldatenbank, die beim Verfolgen bemerkenswerter Modelle angewendet werden, und wie zuversichtlich sie in den Eintrag ist.
- Aufzeichnungszuversicht
- Speculative
- Zitationen
- 1,301
Quellen
Woher diese Aufzeichnung stammt und wann sie zuletzt überprüft wurde.
- Referenz
- Graph Networks as a Universal Machine Learning Framework for Molecules and Crystals
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Über dieses Modell
MEGNet (molecule model) was published by University of California San Diego, in United States of America, in April 2019. It comes out of academia.
It works in Materials science, and is recorded as doing molecular property prediction.
Da die Gewichte nicht verfügbar sind, gelten keine der Hardwareangaben an anderer Stelle auf dieser Seite für sie.
Was in den Aufbau geflossen ist
Training it took roughly 4.5 × 10¹⁷ FLOP of computation, on NVIDIA GeForce GTX 1080 Ti — a measure of what producing the model cost, not of how fast it answers.
Around 117,416 tokens went into training it.
Antworten
MEGNet (molecule model) — Häufig gestellte Fragen
What is MEGNet (molecule model) used for?
MEGNet (molecule model) works in Materials science, and is recorded as handling molecular property prediction. Models frequently carry more than one of each, and the tags describe purpose rather than capability limits.
How much compute was used to train MEGNet (molecule model)?
Around 4.5 × 10¹⁷ FLOP, on NVIDIA GeForce GTX 1080 Ti. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run MEGNet (molecule model)?
None. MEGNet (molecule model) is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is MEGNet (molecule model) open source?
The licensing for MEGNet (molecule model) was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does MEGNet (molecule model) have?
MEGNet (molecule model) has 8.7K parameters. Calculations here: https://docs.google.com/document/d/1BTmyZ9KVTIwkp9z9tRRFsWM5A0QcXiufXrIhujffyso/edit?tab=t.0#heading=h.dcux1bvmijlm. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created MEGNet (molecule model)?
MEGNet (molecule model) was published by University of California San Diego, based in United States of America, categorised as academia.
When was MEGNet (molecule model) released?
MEGNet (molecule model) was published in April 2019. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
Die andere Richtung
Wenn Sie es von der anderen Seite betrachten?
Diese Seite beginnt beim Modell. Wenn Sie bereits eine Karte besitzen und alles erfahren möchten, was es ausführen kann, Beginnen Sie stattdessen mit der Hardware.