GNoME for crystal discovery
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Google DeepMind
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 29 November 2023
- Autores
- Amil Merchant, Simon Batzner, Samuel S. Schoenholz, Muratahan Aykol, Gowoon Cheon, Ekin Dogus Cubuk
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Materials science
- Tarea
- Crystal discovery
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 16.2M
- Datos de entrenamiento
- 69,000 tokens
- Épocas
- 1,000
"The pretrained potential has 16.24 million parameters." This refers to the GNoME network, which is a "Gaussian Network Model of Energy" for predicting crystal potential energy of new crystals.
"Initial models are trained on a snapshot of the Materials Project from 2018 of approximately 69,000 materials"
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- Google TPU v4
- Chips utilizados
- 4
- Consumo de energía
- 2.7 kW
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Por qué se rastrea
- Historical significance
- Confianza de registro
- Likely
Economic impacts from development of commercially and socially valuable protein designs and materials
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Scaling deep learning for materials discovery
- Última actualización
- 28 November 2025
Qué significan los números
Fondo
GNoME for crystal discovery fue publicado por Google DeepMind, en el país registrado como United States of America, durante November 2023. La organización editora está clasificada como industry.
Funciona en el dominio de Materials science, y se registra como realizando la tarea de crystal discovery.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Entrenamiento y procedencia
Fue entrenado en un corpus de aproximadamente 69,000 tokens de texto
La razón por la que aparece en este catálogo en absoluto: historical significance.
Respuestas
GNoME for crystal discovery — preguntas comunes
GNoME for crystal discovery— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
GNoME for crystal discovery— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 16.2M. "The pretrained potential has 16.24 million parameters." This refers to the GNoME network, which is a "Gaussian Network Model of Energy" for predicting crystal potential energy of new crystals. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
GNoME for crystal discovery— ¿Quién lo creó?
Fue publicado por Google DeepMind, basado en United States of America, una organización categorizada como industry.
GNoME for crystal discovery— ¿cuándo fue lanzado?
Se publicó en November 2023. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
GNoME for crystal discovery— ¿Para qué se utiliza?
Funciona en el dominio de Materials science, y se registra como manejando la tarea de crystal discovery. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
GNoME for crystal discovery— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.