GemNet-OC
Geen schatting
Geen hardware-eisen voor dit model
Dit model's gewichten zijn open-source, maar er is geen parameter aantal gepubliceerd. Elk geheugen- en snelheidsfiguur begint vanaf dat nummer, dus we geven liever niets weer dan een gefabriceerde schatting..
Op record
Volledige specificatie
Alles wat geregistreerd is voor dit model. Het merendeel beschrijft hoe het getraind werd in plaats van hoe het draait - nuttige context om te beoordelen hoeveel werk erin is gestoken, en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd..
Oorsprong
Wie heeft dit model gebouwd, waar, en wanneer het gepubliceerd werd.
- Organisatie
- Technical University of Munich,Carnegie Mellon University (CMU),Facebook AI Research
- Organisatietype
- Academia,Academia,Industry
- Land
- Germany, United States of America, France
- Gepubliceerd
- 30 September 2022
- Auteurs
- Johannes Gasteiger, Muhammed Shuaibi, Anuroop Sriram, Stephan Günnemann, Zachary Ulissi, C. Lawrence Zitnick, Abhishek Das
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Materials science
- Taak
- Molecular simulation, Molecular property prediction, Atomistic simulations, Molecular representation learning, Materials design
Grootte
Hoe groot het model is en hoeveel data het is getraind. Parameters zijn het cijfer dat bepaalt of het past op een gegeven grafische kaart.
- Training gegevens
- tokens
- Epochs
- 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)
Training rekenen
De berekeningen uitgevoerd om het model te trainen, gemeten in drijvende-komma-operaties. Het is een maat voor wat de trainingsrun kostte, niet voor hoe snel het voltooide model je beantwoordt.
- Training rekenen
- 5.4 × 10²⁰ FLOP
- Hoe het werd opgericht
- 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
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA V100
- Chip-uren
- 4,000
Beschikbaarheid
Of je het model kunt verkrijgen en het op je eigen hardware kunt draaien, wat bepaalt of een van de grafische kaartcijfers op deze pagina van toepassing is.
- Gewichten
- Open — downloadable
- Toegang tot model
- Open weights (unrestricted)
- Training code
- Open source
MIT license https://github.com/facebookresearch/fairchem/tree/main/src/fairchem/core
Hoe het is geclassificeerd
Labels van de brondataset die worden toegepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Record vertrouwen
- Likely
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- GemNet-OC: Developing Graph Neural Networks for Large and Diverse Molecular Simulation Datasets
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Over dit model
GemNet-OC werd gepubliceerd door Technical University of Munich,Carnegie Mellon University (CMU),Facebook AI Research, in het land geregistreerd als Germany, tijdens September 2022. Het komt uit een organisatie gecategoriseerd als academia,Academia,Industry.
Het werkt in het domein van Materials science, en wordt geregistreerd als het uitvoeren van de taak van molecular simulation, Molecular property prediction, Atomistic simulations, Molecular representation learning, Materials design.
Omdat de gewichten zijn vrijgegeven, hangt niets over het uitvoeren ervan af van een leverancier die beschikbaar blijft — het is van jou zodra het is gedownload.
Hoe het getraind werd
Het produceren ervan vereiste een rekenkundige totaal van ongeveer 5.4 × 10²⁰ FLOP, op hardware vastgelegd als NVIDIA V100. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Antwoorden
GemNet-OC — veelgestelde vragen
GemNet-OC— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 5.4 × 10²⁰ FLOP, op hardware vastgelegd als NVIDIA V100. Dat meet wat het kosten om het model te produceren en zegt niets over hoe snel het antwoord geeft zodra het getraind is — inferentie snelheid komt van geheugenbandbreedte, niet van het trainingsbudget.
GemNet-OC— Welke GPU heb ik nodig om het te draaien?
We kunnen niets zeggen. Het heeft open weights, maar er is geen parameter telling gepubliceerd voor het, en elke memory en snelheid berekening begint vanaf dat nummer. We tonen liever niets dan een gefabriceerde schatting.
GemNet-OC— is het open-source?
De gewichten zijn gepubliceerd, zodat ze kunnen worden gedownload en op je eigen hardware kunnen worden uitgevoerd. Houd er rekening mee dat OPEN WEIGHTS niet hetzelfde is als open source in de volle zin — het zegt niets over de trainingsdata, de trainingscode of de commerciële voorwaarden die eraan zijn verbonden.
GemNet-OC— hoeveel parameters heeft het?
Er is geen parameter telling gepubliceerd, daarom verschijnt er geen geheugen of snelheidsfiguur op deze pagina.
GemNet-OC— wie heeft het gemaakt?
Het werd gepubliceerd door Technical University of Munich,Carnegie Mellon University (CMU),Facebook AI Research, gebaseerd op Germany, een organisatie geclassificeerd als academia,Academia,Industry.
GemNet-OC— wanneer is het uitgebracht?
Het werd gepubliceerd in September 2022. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
GemNet-OC— waarvoor wordt het gebruikt?
Het werkt in het domein van Materials science, en wordt geregistreerd als het afhandelen van molecular simulation, Molecular property prediction, Atomistic simulations, Molecular representation learning, Materials design. Een model kan er verschillende van elk dragen, dus dit zijn de gebieden waarvoor het is gebouwd in plaats van een limiet op wat het zal proberen.
GemNet-OC— waar kan ik het downloaden?
De gewichten zijn gepubliceerd, hoewel we geen repositorylink daarvoor hebben. Deze site berekent hardwarevereisten in plaats van modelbestanden te hosten.
De andere richting
Van de andere kant bekijken?
Deze pagina begint met het model. Als je al een kaart bezit en alles wilt weten wat het zal draaien, begin in plaats van de hardware.