MEGNet (molecule model)
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, daher kann es nicht heruntergeladen oder auf Ihrer eigenen Hardware in beliebiger Größe betrieben werden. Es ist nur über seinen Anbieter erreichbar, und keine Grafikkarte ändert das..
Aufgezeichnet
Volle Spezifikation
Alles, was in unserer Datenbank für dieses Modell aufgezeichnet ist. Der Großteil beschreibt, wie es trainiert wurde, anstatt wie es läuft — nützlicher Kontext zur Beurteilung, wie viel Arbeit darin steckt und wie es sich mit Modellen vergleicht, die in einem anderen Maßstab erstellt wurden..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- University of California San Diego
- Organisationsart
- 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 davon tragen.
- Domain
- Materials science
- Aufgabe
- Molecular property prediction
Größe
Wie groß das Modell ist und wie viele Daten damit trainiert wurden. Parameter sind die Zahl, die entscheidet, ob es auf einer bestimmten GPU-Karte 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-Compute
Die Berechnung, die durchgeführt wird, um das Modell zu trainieren, gemessen in Gleitpunktoperationen. Es ist ein Maß dafür, was der Trainingslauf gekostet hat, nicht dafür, wie schnell das fertige Modell Ihnen antwortet.
- Training-Compute
- 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 es physisch gekostet hat, um zu trainieren: welche Chips, wie viele, wie lange und was das aus der Wand gezogen hat.
- Trainingshardware
- NVIDIA GeForce GTX 1080 Ti
- Verwendete Chips
- 1
- Wand-Uhrzeit
- 28 hours
- Stromverbrauch
- 283 W
Wie es klassifiziert ist
Labels, die das Quell-Datenset anwendet, wenn bemerkenswerte Modelle verfolgt werden, und wie zuversichtlich es in den Eintrag ist.
- Aufzeichnungsgenauigkeit
- Speculative
- Zitationen
- 1,301
Quellen
Woher dieser Datensatz stammt und wann er 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) wurde veröffentlicht von University of California San Diego, im Land aufgezeichnet als United States of America, während April 2019. Es stammt aus einer Organisation, die kategorisiert ist als academia.
Es funktioniert im Bereich von Materials science, und wird als die Aufgabe von aufgezeichnet 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
Das Training benötigte ein Rechenbudget von ungefähr 4.5 × 10¹⁷ FLOP, auf Hardware erfasst als NVIDIA GeForce GTX 1080 Ti. Diese Zahl misst die Kosten für die Produktion des MODELLS und hat keinen Einfluss darauf, wie schnell es antwortet.
Training verbrauchte ein Korpus von etwa 117,416 Text-Tokens
Antworten
MEGNet (molecule model) — Häufige Fragen
MEGNet (molecule model)— Wofür wird es verwendet?
Es funktioniert im Bereich von Materials science, und wird als Bewältigung der Aufgabe von molecular property prediction. Modelle tragen häufig mehr als eines von jeder, und die Tags beschreiben den Zweck anstelle von Fähigkeitsgrenzen.
MEGNet (molecule model)— Wie viel Rechenleistung wurde verwendet, um es zu trainieren?
Training verbrauchte etwa 4.5 × 10¹⁷ FLOP, auf Hardware erfasst als NVIDIA GeForce GTX 1080 Ti. Das misst, was die Produktion des Modells gekostet hat, und sagt nichts darüber aus, wie schnell es einmal trainiert antwortet — die Inferenzgeschwindigkeit kommt von der MEMORY-BANDWIDTH, nicht vom TRAINING-BUDGET.
MEGNet (molecule model)— Welche GPU benötige ich, um es auszuführen?
Dieses ist ein geschlossenes Modell — seine Gewichte wurden nie veröffentlicht, sodass es zu keinem Preis heruntergeladen oder auf Ihrer eigenen Hardware ausgeführt werden kann. Es ist nur über seinen Anbieter erreichbar.
MEGNet (molecule model)— Ist es Open-Source?
Die Lizenzierung wurde nie in unseren Quelldaten aufgezeichnet. Wir behandeln nicht angegebene Lizenzen als geschlossen, da eine nicht aufgezeichnete Lizenz keine ist, auf die man sich verlassen kann.
MEGNet (molecule model)— Wie viele Parameter hat es?
Es hat eine Parameteranzahl von 8.7K. Calculations here: https://docs.google.com/document/d/1BTmyZ9KVTIwkp9z9tRRFsWM5A0QcXiufXrIhujffyso/edit?tab=t.0#heading=h.dcux1bvmijlm. Diese Zahl ist die Gesamtsumme, und sie bestimmt, wie viel MEMORY das MODEL benötigt – ungefähr ein halbes Gigabyte pro Milliarde bei der Kompression, die die meisten Menschen verwenden.
MEGNet (molecule model)— Wer hat es erstellt?
Es wurde veröffentlicht von University of California San Diego, basiert auf United States of America, eine als kategorisierte Organisation academia.
MEGNet (molecule model)— Wann wurde es veröffentlicht?
Es wurde veröffentlicht in April 2019. Die Fähigkeit pro Parameter hat sich erheblich verbessert, sodass ein neueres Modell derselben Größe oft die bessere Nutzung derselben Hardware darstellt.
Die andere Richtung
Von der anderen Seite aus betrachten?
Diese Seite beginnt mit dem Modell. Wenn Sie bereits eine Karte besitzen und alles wissen möchten, was sie ausführen wird, Starte stattdessen von der Hardware.