GemNet-OC
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle sont open, mais aucun compte de paramètres n'a été publié pour celui-ci. Chaque chiffre de mémoire et de vitesse commence à partir de ce nombre, donc nous préférerions ne rien montrer plutôt qu'une estimation fabriquée..
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
- Technical University of Munich,Carnegie Mellon University (CMU),Facebook AI Research
- Type d'organisation
- Academia,Academia,Industry
- Pays
- Germany, United States of America, France
- Publié
- 30 September 2022
- Auteurs
- Johannes Gasteiger, Muhammed Shuaibi, Anuroop Sriram, Stephan Günnemann, Zachary Ulissi, C. Lawrence Zitnick, Abhishek Das
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
- Molecular simulation, Molecular property prediction, Atomistic simulations, Molecular representation learning, Materials design
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.
- Données d'entraînement
- tokens
- Époques
- 4
"trained for a max number of epochs (4) or until the learning rate has been exhaustively stepped, whichever comes first" from the Table 1: ∼134 M samples (133 934 018) avg size 73.3 (7-225) 133 934 018 * 73.3 = 9817363519.4 atoms (~tokens)
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
- 5.4 × 10²⁰ FLOP
- Comment cela a été établi
- Hardware
125000000000000 FLOP / GPU / sec [bf16 assumed] * 4000 GPU-hours [inferring from Figure 2] * 3600 sec / hour * 0.3 [asssumed utilization] = 5.4e+20 FLOP
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 V100
- Heures de puce
- 4,000
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Open — downloadable
- Accès au modèle
- Open weights (unrestricted)
- Code d'entraînement
- Open source
MIT license https://github.com/facebookresearch/fairchem/tree/main/src/fairchem/core
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
- Likely
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- GemNet-OC: Developing Graph Neural Networks for Large and Diverse Molecular Simulation Datasets
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
À propos de ce modèle
GemNet-OC a été publié par Technical University of Munich,Carnegie Mellon University (CMU),Facebook AI Research, dans le pays enregistré comme Germany, durant September 2022. Cela provient d'une organisation classée comme academia,Academia,Industry.
Il fonctionne dans le domaine de Materials science, et est enregistré comme exécutant la tâche de molecular simulation, Molecular property prediction, Atomistic simulations, Molecular representation learning, Materials design.
Parce que ses poids ont été publiés, rien sur son exécution ne dépend d'un fournisseur restant disponible — il est à vous une fois téléchargé.
Comment il a été entraîné
La production a nécessité des calculs totalisant environ 5.4 × 10²⁰ FLOP, sur matériel enregistré comme NVIDIA V100. Ce chiffre mesure le coût de production du modèle, et n'a aucune incidence sur la vitesse de réponse.
Réponses
GemNet-OC — questions courantes
GemNet-OC— combien de puissance de calcul a été utilisée pour l'entraîner ?
L'entraînement a consommé environ 5.4 × 10²⁰ FLOP, sur matériel enregistré comme NVIDIA V100. 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.
GemNet-OC— Quelle GPU ai-je besoin pour l'exécuter ?
Nous ne pouvons pas dire. Il a des poids ouverts, mais aucun compte de paramètres n'a été publié pour cela, et chaque calcul de mémoire et de vitesse part de ce nombre. Nous préférerions ne rien montrer plutôt qu'une estimation fabriquée.
GemNet-OC— est-ce que c'est open source ?
Ses poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel. Notez que les poids ouverts ne sont pas la même chose que l'open source au sens plein — cela ne dit rien sur les données d'entraînement, le code d'entraînement ou les conditions commerciales attachées.
GemNet-OC— combien de paramètres cela a-t-il ?
Aucun nombre de paramètres n'a été publié pour cela, c'est pourquoi aucun chiffre de mémoire ou de vitesse n'apparaît sur cette page.
GemNet-OC— qui l'a créé ?
Il a été publié par Technical University of Munich,Carnegie Mellon University (CMU),Facebook AI Research, basé sur Germany, une organisation catégorisée comme academia,Academia,Industry.
GemNet-OC— quand a-t-il été publié ?
Il a été publié dans September 2022. 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.
GemNet-OC— à quoi ça sert ?
Il fonctionne dans le domaine de Materials science, et est enregistré comme gérant la tâche de molecular simulation, Molecular property prediction, Atomistic simulations, Molecular representation learning, Materials design. Un modèle peut porter plusieurs de chacun, donc ce sont les domaines pour lesquels il a été conçu plutôt qu'une limite sur ce qu'il tentera.
GemNet-OC— où puis-je le télécharger ?
Les poids sont publiés, bien que nous ne possédions pas de lien vers un dépôt pour cela. Ce site calcule les exigences matérielles plutôt que d'héberger des fichiers de modèle.
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.