MEGNet (molecule model)
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
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
- University of California San Diego
- Tipo di organizzazione
- Academia
- Paese
- United States of America
- Pubblicato
- 10 April 2019
- Autori
- Chi Chen, Weike Ye, Yunxing Zuo, Chen Zheng, Shyue Ping Ong
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Materials science
- Compito
- Molecular property prediction
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.
- parametri
- 8.7K
- Dati di addestramento
- 117,416 tokens
- Epoche
- 1,000
Calculations here: https://docs.google.com/document/d/1BTmyZ9KVTIwkp9z9tRRFsWM5A0QcXiufXrIhujffyso/edit?tab=t.0#heading=h.dcux1bvmijlm
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
- 4.5 × 10¹⁷ FLOP
Calculations here: https://docs.google.com/document/d/1BTmyZ9KVTIwkp9z9tRRFsWM5A0QcXiufXrIhujffyso/edit?tab=t.0#heading=h.c0h2t2icf5xr Assuming a single GPU (the model is quite small): 1.0e+3*100*1.1e+13*0.4=4.5e+17
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 GeForce GTX 1080 Ti
- Chip utilizzati
- 1
- Tempo di parete
- 28 hours
- Consumo energetico
- 283 W
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Speculative
- Citazioni
- 1,301
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Graph Networks as a Universal Machine Learning Framework for Molecules and Crystals
- Ultimo aggiornamento
- 25 May 2026
Cosa significano i numeri
Informazioni su questo modello
MEGNet (molecule model) è stato pubblicato da University of California San Diego, nel paese registrato come United States of America, durante April 2019. Esce da un'organizzazione categorizzata come academia.
Funziona nel dominio di Materials science, ed è registrato come eseguire il compito di molecular property prediction.
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Cosa è stato necessario per costruirlo
Il training ha richiesto un budget di calcolo di circa 4.5 × 10¹⁷ FLOP, su hardware registrato come NVIDIA GeForce GTX 1080 Ti. Quella cifra misura quanto è costata la produzione del modello e non ha alcun impatto su quanto velocemente risponde.
L'addestramento ha consumato un corpus di circa 117,416 token di testo
Risposte
MEGNet (molecule model) — domande comuni
MEGNet (molecule model)— A cosa serve?
Funziona nel dominio di Materials science, e viene registrato come gestire il compito di molecular property prediction. I modelli portano frequentemente più di uno di ciascuno, e le etichette descrivono lo scopo piuttosto che i limiti di capacità.
MEGNet (molecule model)— quanto calcolo è stato utilizzato per addestrarlo?
L'addestramento ha consumato circa 4.5 × 10¹⁷ FLOP, su hardware registrato come NVIDIA GeForce GTX 1080 Ti. 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.
MEGNet (molecule model)— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
MEGNet (molecule model)— è open-source?
La licenza non è mai stata registrata nei nostri dati sorgente. Trattiamo le licenze non dichiarate come chiuse, perché una licenza non registrata non è una su cui fare affidamento.
MEGNet (molecule model)— quanti parametri ha?
Ha un numero di parametri di 8.7K. Calculations here: https://docs.google.com/document/d/1BTmyZ9KVTIwkp9z9tRRFsWM5A0QcXiufXrIhujffyso/edit?tab=t.0#heading=h.dcux1bvmijlm. Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
MEGNet (molecule model)— chi l'ha creato?
È stato pubblicato da University of California San Diego, basato su United States of America, un'organizzazione categorizzata come academia.
MEGNet (molecule model)— quando è stato rilasciato?
È stato pubblicato in April 2019. 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.
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.