MEGNet (crystal formation energy model)
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
- University of California San Diego
- Tipo de Organización
- Academia
- País
- United States of America
- Publicado
- 10 April 2019
- Autores
- Chi Chen, Weike Ye, Yunxing Zuo, Chen Zheng, Shyue Ping Ong
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
- Molecular property prediction
- Formato numérico
- FP32
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
- 26.1K
- Datos de entrenamiento
- 60,000 tokens
- Épocas
- 1,000
Calculations here: https://docs.google.com/document/d/1BTmyZ9KVTIwkp9z9tRRFsWM5A0QcXiufXrIhujffyso/edit?tab=t.0#heading=h.913mrln2g0cv
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 4.5 × 10¹⁷ FLOP
Calculations here: https://docs.google.com/document/d/1BTmyZ9KVTIwkp9z9tRRFsWM5A0QcXiufXrIhujffyso/edit?tab=t.0#heading=h.obxgi47b0fxe Updated calculation assuming 100s per epoch and a single GPU. 1000*100*11340000000000*0.4=453600000000000000
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
- NVIDIA GeForce GTX 1080 Ti
- Tiempo de reloj
- 28 hours
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Likely
- Citas
- 1,301
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Graph Networks as a Universal Machine Learning Framework for Molecules and Crystals
- Última actualización
- 25 May 2026
Qué significan los números
Qué es este modelo
MEGNet (crystal formation energy model) fue publicado por University of California San Diego, en el país registrado como United States of America, durante April 2019. Sale de una organización categorizada como academia.
Funciona en el dominio de Materials science, y se registra como realizando la tarea de molecular property prediction.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Qué se necesitó para construirlo
El entrenamiento consumió alrededor de 4.5 × 10¹⁷ FLOP, en hardware registrado como NVIDIA GeForce GTX 1080 Ti. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Fue entrenado en un corpus de aproximadamente 60,000 tokens de texto
Respuestas
MEGNet (crystal formation energy model) — preguntas comunes
MEGNet (crystal formation energy model)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 4.5 × 10¹⁷ FLOP, en hardware registrado como NVIDIA GeForce GTX 1080 Ti. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
MEGNet (crystal formation energy model)— ¿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.
MEGNet (crystal formation energy model)— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
MEGNet (crystal formation energy model)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 26.1K. Calculations here: https://docs.google.com/document/d/1BTmyZ9KVTIwkp9z9tRRFsWM5A0QcXiufXrIhujffyso/edit?tab=t.0#heading=h.913mrln2g0cv. 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.
MEGNet (crystal formation energy model)— ¿Quién lo creó?
Fue publicado por University of California San Diego, basado en United States of America, una organización categorizada como academia.
MEGNet (crystal formation energy model)— ¿cuándo fue lanzado?
Se publicó en April 2019. 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.
MEGNet (crystal formation energy model)— ¿Para qué se utiliza?
Funciona en el dominio de Materials science, y se registra como manejando la tarea de molecular property prediction. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
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.