MEGNet (molecule model)
Geen schatting
Geen hardware-eisen voor dit model
De gewichten voor dit model zijn niet gepubliceerd, dus het kan niet worden gedownload of uitgevoerd op je eigen hardware in welke grootte dan ook. Het is alleen bereikbaar via de aanbieder, en geen enkele grafische kaart verandert dat..
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
- University of California San Diego
- Organisatietype
- Academia
- Land
- United States of America
- Gepubliceerd
- 10 April 2019
- Auteurs
- Chi Chen, Weike Ye, Yunxing Zuo, Chen Zheng, Shyue Ping Ong
Wat het doet
De probleemgebieden waarvoor het model is gebouwd. Een model kan meerdere van elk bevatten.
- Domein
- Materials science
- Taak
- Molecular property prediction
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.
- parameters
- 8.7K
- Training gegevens
- 117,416 tokens
- Epochs
- 1,000
Calculations here: https://docs.google.com/document/d/1BTmyZ9KVTIwkp9z9tRRFsWM5A0QcXiufXrIhujffyso/edit?tab=t.0#heading=h.dcux1bvmijlm
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
- 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
De trainingsrun
Wat het fysiek kostte om te trainen: welke chips, hoeveel, hoe lang, en wat dat van het stopcontact vroeg.
- Training hardware
- NVIDIA GeForce GTX 1080 Ti
- Gebruikte chips
- 1
- Kloktijd
- 28 hours
- Stroomverbruik
- 283 W
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
- Speculative
- Citaties
- 1,301
Bronnen
Waar deze record vandaan kwam en wanneer deze voor het laatst is gecontroleerd.
- Referentie
- Graph Networks as a Universal Machine Learning Framework for Molecules and Crystals
- Laatst bijgewerkt
- 25 May 2026
Wat de cijfers betekenen
Over dit model
MEGNet (molecule model) werd gepubliceerd door University of California San Diego, in het land geregistreerd als United States of America, tijdens April 2019. Het komt uit een organisatie gecategoriseerd als academia.
Het werkt in het domein van Materials science, en wordt geregistreerd als het uitvoeren van de taak van molecular property prediction.
Omdat de weights niet beschikbaar zijn, zijn geen van de hardwarefiguren elders op deze site van toepassing op het.
Wat erin ging zitten om het te bouwen
Training kostte een rekensbudget van ongeveer 4.5 × 10¹⁷ FLOP, op hardware vastgelegd als NVIDIA GeForce GTX 1080 Ti. Die figuur meet wat het produceren van het model heeft gekost en heeft geen invloed op hoe snel het antwoord geeft.
Training verbruikte een corpus van ongeveer 117,416 tekstokens
Antwoorden
MEGNet (molecule model) — veelgestelde vragen
MEGNet (molecule model)— waarvoor wordt het gebruikt?
Het werkt in het domein van Materials science, en wordt geregistreerd als het afhandelen van molecular property prediction. Modellen hebben vaak meer dan één van elk, en de tags beschrijven het doel in plaats van de capaciteitslimieten.
MEGNet (molecule model)— hoeveel rekencapaciteit is gebruikt om het te trainen?
Training verbruikte ongeveer 4.5 × 10¹⁷ FLOP, op hardware vastgelegd als NVIDIA GeForce GTX 1080 Ti. 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.
MEGNet (molecule model)— Welke GPU heb ik nodig om het te draaien?
Dit is een gesloten model — de gewichten zijn nooit gepubliceerd, dus het kan niet gedownload of uitgevoerd worden op je eigen hardware voor eender welke prijs. Het is alleen bereikbaar via de aanbieder.
MEGNet (molecule model)— is het open-source?
De licenties werden nooit vastgelegd in onze brondocumenten. We beschouwen niet-verklaarde licenties als gesloten, omdat een niet-vastgelegde licentie er geen is om op te vertrouwen.
MEGNet (molecule model)— hoeveel parameters heeft het?
Het heeft een parameter telling van 8.7K. Calculations here: https://docs.google.com/document/d/1BTmyZ9KVTIwkp9z9tRRFsWM5A0QcXiufXrIhujffyso/edit?tab=t.0#heading=h.dcux1bvmijlm. Dat cijfer is het totaal, en het bepaalt hoeveel MEMORY het MODEL nodig heeft - ongeveer een halve gigabyte per miljard bij de compressie die de meeste mensen gebruiken.
MEGNet (molecule model)— wie heeft het gemaakt?
Het werd gepubliceerd door University of California San Diego, gebaseerd op United States of America, een organisatie geclassificeerd als academia.
MEGNet (molecule model)— wanneer is het uitgebracht?
Het werd gepubliceerd in April 2019. De capaciteit per parameter is aanzienlijk verbeterd sinds, zodat een nieuwere model van dezelfde grootte vaak een betere benutting van dezelfde hardware is.
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.