GemNet-OC
Nessuna stima
Nessun requisito hardware per questo modello
I pesi di questo modello sono open weight, ma non è stato pubblicato alcun conteggio dei parametri. Ogni figura di memory e velocità parte da quel numero, quindi preferiremmo non mostrare nulla piuttosto che una stima fabbricata..
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Technical University of Munich,Carnegie Mellon University (CMU),Facebook AI Research
- Tipo di organizzazione
- Academia,Academia,Industry
- Paese
- Germany, United States of America, France
- Pubblicato
- 30 September 2022
- Autori
- Johannes Gasteiger, Muhammed Shuaibi, Anuroop Sriram, Stephan Günnemann, Zachary Ulissi, C. Lawrence Zitnick, Abhishek Das
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Materials science
- Compito
- Molecular simulation, Molecular property prediction, Atomistic simulations, Molecular representation learning, Materials design
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- Dati di addestramento
- tokens
- Epoche
- 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)
Calcolo di addestramento
L'aritmetica eseguita per addestrare il modello, misurata in operazioni in virgola mobile. È una misura di quanto è costato il run di addestramento, e non di quanto velocemente il modello finito ti risponde.
- Calcolo di addestramento
- 5.4 × 10²⁰ FLOP
- Come è stato stabilito
- 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
La corsa di addestramento
Cosa ha richiesto fisicamente per addestrare: quali chip, quanti, per quanto tempo e cosa ha prelevato dalla presa.
- Hardware di addestramento
- NVIDIA V100
- Chip-ore
- 4,000
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Open — downloadable
- Accesso al modello
- Open weights (unrestricted)
- Codice di addestramento
- Open source
MIT license https://github.com/facebookresearch/fairchem/tree/main/src/fairchem/core
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Likely
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- GemNet-OC: Developing Graph Neural Networks for Large and Diverse Molecular Simulation Datasets
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Informazioni su questo modello
GemNet-OC è stato pubblicato da Technical University of Munich,Carnegie Mellon University (CMU),Facebook AI Research, nel paese registrato come Germany, durante September 2022. Esce da un'organizzazione categorizzata come academia,Academia,Industry.
Funziona nel dominio di Materials science, ed è registrato come eseguire il compito di molecular simulation, Molecular property prediction, Atomistic simulations, Molecular representation learning, Materials design.
Poiché i suoi pesi sono stati rilasciati, nulla sull'esecuzione dipende da un fornitore che rimane disponibile — è tuo una volta scaricato.
Come è stato addestrato
La produzione di esso ha richiesto un'aritmetica totale di circa 5.4 × 10²⁰ FLOP, su hardware registrato come NVIDIA V100. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
Risposte
GemNet-OC — domande comuni
GemNet-OC— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 5.4 × 10²⁰ FLOP, su hardware registrato come NVIDIA V100. Questo misura quanto costa produrre il modello e non dice nulla su quanto rapidamente risponde una volta addestrato — la velocità di inferenza deriva dalla larghezza di banda della memoria, non dal budget di addestramento.
GemNet-OC— che GPU ho bisogno per eseguirlo?
Non possiamo dire. Ha pesi aperti, ma non è stato pubblicato alcun conteggio dei parametri per esso, e ogni calcolo di memoria e velocità parte da quel numero. Preferiremmo non mostrare nulla piuttosto che una stima fabbricata.
GemNet-OC— è open-source?
I suoi pesi sono pubblicati, quindi può essere scaricato e eseguito sul proprio hardware. Si noti che OPEN WEIGHTS non è lo stesso di OPEN SOURCE nel senso completo — non dice nulla sui dati di addestramento, sul codice di addestramento o sui termini commerciali allegati.
GemNet-OC— quanti parametri ha?
Non è stato pubblicato alcun conteggio dei parametri per esso, motivo per cui non appare alcun dato sulla memoria o sulla velocità su questa pagina.
GemNet-OC— chi l'ha creato?
È stato pubblicato da Technical University of Munich,Carnegie Mellon University (CMU),Facebook AI Research, basato su Germany, un'organizzazione categorizzata come academia,Academia,Industry.
GemNet-OC— quando è stato rilasciato?
È stato pubblicato in September 2022. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
GemNet-OC— A cosa serve?
Funziona nel dominio di Materials science, e viene registrato come gestire il compito di molecular simulation, Molecular property prediction, Atomistic simulations, Molecular representation learning, Materials design. Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
GemNet-OC— Dove posso scaricarlo?
I pesi sono pubblicati, anche se non abbiamo un link al repository per essi. Questo sito calcola i requisiti hardware anziché ospitare file di modello.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.