MEGNet (crystal elasticity 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
- Formato numerico
- FP32
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
- 26.1K
- Dati di addestramento
- 4,664 tokens
- Epoche
- 1,000
Calculations here: https://docs.google.com/document/d/1BTmyZ9KVTIwkp9z9tRRFsWM5A0QcXiufXrIhujffyso/edit?tab=t.0#heading=h.913mrln2g0cv
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.3ria9ya1ty1o Updated calculation assuming 100s per epoch and a single GPU. 1000*100*11340000000000*0.4=453600000000000000
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
- Tempo di parete
- 28 hours
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Record fiducia
- Likely
- 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 (crystal elasticity model) è stato pubblicato da University of California San Diego, nel paese registrato come United States of America, durante April 2019. L'organizzazione di pubblicazione è classificata 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.
Come è stato addestrato
Il run di addestramento ha consumato 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.
È stato addestrato su un corpus di circa 4,664 token di testo
Risposte
MEGNet (crystal elasticity model) — domande comuni
MEGNet (crystal elasticity 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 (crystal elasticity 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 (crystal elasticity model)— quanti parametri ha?
Ha un numero di parametri di 26.1K. Calculations here: https://docs.google.com/document/d/1BTmyZ9KVTIwkp9z9tRRFsWM5A0QcXiufXrIhujffyso/edit?tab=t.0#heading=h.913mrln2g0cv. 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 (crystal elasticity 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 (crystal elasticity 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.
MEGNet (crystal elasticity 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 (crystal elasticity 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.
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.