FourCastNet
Geen schatting
Geen hardwarevereisten voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of op uw eigen hardware worden uitgevoerd in welke omvang dan ook. Het is alleen toegankelijk via de provider, en geen grafische kaart verandert dat.
Op record
Volledige specificatie
Alles over dit model vastgelegd. Het meeste beschrijft hoe het getraind is in plaats van hoe het draait — nuttige context om te beoordelen hoeveel werk erin gestoken is en hoe het zich verhoudt tot modellen die op een andere schaal zijn gebouwd.
Oorsprong
Wie heeft dit model gebouwd, waar en wanneer het werd gepubliceerd.
- Organisatie
- NVIDIA,NERSC, Lawrence Berkeley National Laboratory,University of Michigan,Rice University,California Institute of Technology,Purdue University
- Organisatie type
- Industry,Government,Academia,Academia,Academia,Academia
- Land
- United States of America
- Gepubliceerd
- 22 February 2022
- Auteurs
- Jaideep Pathak, Shashank Subramanian, Peter Harrington, Sanjeev Raja, Ashesh Chattopadhyay, Morteza Mardani, Thorsten Kurth, David Hall, Zongyi Li, Kamyar Azizzadenesheli, Pedram Hassanzadeh, Karthik Kashinath, Animashree Anandkumar
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan er verschillende van elk bevatten.
- Domein
- Earth science
- Taak
- Weather forecasting
Grootte
Hoe groot het model is en hoeveel data erop is getraind. Parameters zijn de cijfers die bepalen of het op een bepaalde grafische kaart past.
- Opleidingsgegevens
- tokens
- Epochs
- 130
" The model is pre-trained using a cosine learning-rate schedule with a starting learning rate `1 for 80 epochs. Following the pre-training, the model is fine-tuned for a further 50 epochs" "The training dataset consists of 54020 samples while the validation dataset contains 2920 samples" Global batch size 64 Patch size p × p 8 × 8
Training berekeningen
De rekeningen die worden uitgevoerd om het model te trainen, gemeten in drijvende-komma-berekeningen. Het is een maat voor wat de trainingsrun kostte, niet hoe snel het voltooide model je antwoordt.
- Training berekeningen
- 3.5 × 10²⁰ FLOP
- Hoe het werd opgericht
- Hardware
312000000000000 FLOP / GPU / sec [A100] * 64 GPUs * 16 hours * 3600 sec / hour * 0.3 [assumed utilization] = 3.4504704e+20 FLOP
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het net trok.
- Trainingshardware
- NVIDIA A100
- Chips used
- 64
- Wall-clock time
- 16 hours
- Energieverbruik
- 51.5 kW
"The end to end training takes about 16 hours wall-clock time on a cluster of 64 Nvidia A100 GPUs."
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
- Closed — provider access only
- Model toegang
- Unreleased
- Trainingscode
- Unreleased
Hoe het is geclassificeerd
Labels de bron dataset toepast bij het volgen van opmerkelijke modellen, en hoe zeker het is van de invoer.
- Waarom het wordt gevolgd
- SOTA improvement
- Vereiste vertrouwen
- Confident
"FourCastNet matches the forecasting accuracy of the ECMWF Integrated Forecasting System (IFS), a state-of-the-art Numerical Weather Prediction (NWP) model, at short lead times for large-scale variables, while outperforming IFS for small-scale variables, including precipitation. " "the FourCastNet model has many characteristics that make it superior to the prior SOTA DLWP model"
Bronnen
Waar deze record vandaan komt en wanneer het voor het laatst is gecontroleerd.
- Referentie
- FourCastNet: A Global Data-driven High-resolution Weather Model using Adaptive Fourier Neural Operators
- Laatst bijgewerkt
- 28 November 2025
Wat de cijfers betekenen
Wat dit model is
FourCastNet was published by NVIDIA,NERSC, Lawrence Berkeley National Laboratory,University of Michigan,Rice University,California Institute of Technology,Purdue University, in United States of America, in February 2022. It comes out of industry,Government,Academia,Academia,Academia,Academia.
It works in Earth science, and is recorded as doing weather forecasting.
De gewichten zijn nooit gepubliceerd, dus het kan alleen worden bereikt via de aanbieder. Geen enkele grafische kaart verandert dat.
Wat erin is gestopt om het te bouwen
Training it took roughly 3.5 × 10²⁰ FLOP of computation, on NVIDIA A100 — a measure of what producing the model cost, not of how fast it answers.
It is tracked in the underlying dataset for one reason in particular: sOTA improvement.
Antwoorden
FourCastNet — Veelgestelde vragen
How many parameters does FourCastNet have?
No parameter count has been published for FourCastNet, which is why no memory or speed figure appears on this page.
Who created FourCastNet?
FourCastNet was published by NVIDIA,NERSC, Lawrence Berkeley National Laboratory,University of Michigan,Rice University,California Institute of Technology,Purdue University, based in United States of America, categorised as industry,Government,Academia,Academia,Academia,Academia.
When was FourCastNet released?
FourCastNet was published in February 2022. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is FourCastNet used for?
FourCastNet works in Earth science, and is recorded as handling weather forecasting. These are the areas it was designed around; they describe intent rather than a hard boundary.
How much compute was used to train FourCastNet?
Around 3.5 × 10²⁰ FLOP, on NVIDIA A100. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run FourCastNet?
None. FourCastNet is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is FourCastNet open source?
No. FourCastNet has not had its weights published, so it exists only as a service controlled by its owner.
De andere richting
Vanuit het andere perspectief bekijken?
Deze pagina begint bij het model. Als u al een kaart bezit en alles wilt weten wat het zal uitvoeren, Begin liever bij de hardware.