MatterSim (Grpaphomer)
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- Microsoft Research AI for Science
- Type d'organisation
- Industry
- Pays
- United States of America
- Publié
- 10 May 2024
- Auteurs
- Han Yang, Chenxi Hu, Yichi Zhou, Xixian Liu, Yu Shi, Jielan Li, Guanzhi Li, Zekun Chen, Shuizhou Chen, Claudio Zeni, Matthew Horton, Robert Pinsler, Andrew Fowler, Daniel Zügner, Tian Xie, Jake Smith, Lixin Sun, Qian Wang, Lingyu Kong, Chang Liu, Hongxia Hao, Ziheng Lu
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Materials science
- Tâche
- Atomistic simulations, Molecular simulation
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- paramètres
- 182M
- Données d'entraînement
- tokens
"The total parameters of Graphormer is 182M."
"The model is trained for a total of 1,562,500 steps" "The batch size for training is set to 256" "the maximum number of expanded atoms is capped at 256"
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 1.1 × 10²⁰ FLOP
- Comment cela a été établi
- Operation counting
Speculative confidence because I am unsure how to calculate gradient updates/tokens 6*1,562,500*256*256*182000000=1.118208e+20
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- NVIDIA A100
- Chips utilisés
- 64
- Consommation d'énergie
- 50.6 kW
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Speculative
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- MatterSim: A Deep Learning Atomistic Model Across Elements, Temperatures and Pressures
- Dernière mise à jour
- 11 February 2026
Ce que les chiffres signifient
À propos de ce modèle
MatterSim (Grpaphomer) a été publié par Microsoft Research AI for Science, dans le pays enregistré comme United States of America, durant May 2024. Cela provient d'une organisation classée comme industry.
Il fonctionne dans le domaine de Materials science, et est enregistré comme exécutant la tâche de atomistic simulations, Molecular simulation.
Parce que les poids ne sont pas disponibles, aucune des spécifications matérielles ailleurs sur ce site ne s'applique à cela.
Qu'est-ce qui a été nécessaire pour le construire
L'entraînement a nécessité un budget de calcul d'environ 1.1 × 10²⁰ FLOP, sur matériel enregistré comme NVIDIA A100. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
MatterSim (Grpaphomer) — questions courantes
MatterSim (Grpaphomer)— qui l'a créé ?
Il a été publié par Microsoft Research AI for Science, basé sur United States of America, une organisation catégorisée comme industry.
MatterSim (Grpaphomer)— quand a-t-il été publié ?
Il a été publié dans May 2024. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.
MatterSim (Grpaphomer)— à quoi ça sert ?
Il fonctionne dans le domaine de Materials science, et est enregistré comme gérant la tâche de atomistic simulations, Molecular simulation. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
MatterSim (Grpaphomer)— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 1.1 × 10²⁰ FLOP, sur matériel enregistré comme NVIDIA A100. Cela mesure ce que coûte la production du modèle et ne dit rien sur la rapidité avec laquelle il répond une fois entraîné — la vitesse d'inférence provient de la bande passante mémoire, et non du budget d'entraînement.
MatterSim (Grpaphomer)— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
MatterSim (Grpaphomer)— est-ce que c'est open source ?
La licence n'a jamais été enregistrée dans nos données source. Nous considérons une licence non déclarée comme fermée, car une licence non enregistrée n'est pas une licence sur laquelle compter.
MatterSim (Grpaphomer)— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 182M. "The total parameters of Graphormer is 182M.". Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.