MEGNet (crystal band gap 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
- 26.1K
- Training gegevens
- 36,720 tokens
- Epochs
- 1,000
Calculations here: https://docs.google.com/document/d/1BTmyZ9KVTIwkp9z9tRRFsWM5A0QcXiufXrIhujffyso/edit?tab=t.0#heading=h.913mrln2g0cv
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.lk6l1te7vrkv Updated calculation assuming 100s per epoch and a single GPU. 1000*100*11340000000000*0.4=453600000000000000
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
- Likely
- 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
Wat dit model is
MEGNet (crystal band gap model) werd gepubliceerd door University of California San Diego, in het land geregistreerd als United States of America, tijdens April 2019. De publicerende organisatie is geclassificeerd als academia.
Het werkt in het domein van Materials science, en wordt geregistreerd als het uitvoeren van de taak van molecular property prediction.
Dit is een gesloten model: de getrainde waarden zijn bij degene gebleven die ze geproduceerd hebben, en er is geen lokale versie om te draaien.
Training en herkomst
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.
De trainingsset liep naar ongeveer 36,720 tekstokens
Antwoorden
MEGNet (crystal band gap model) — veelgestelde vragen
MEGNet (crystal band gap 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 (crystal band gap model)— hoeveel parameters heeft het?
Het heeft een parameter telling van 26.1K. Calculations here: https://docs.google.com/document/d/1BTmyZ9KVTIwkp9z9tRRFsWM5A0QcXiufXrIhujffyso/edit?tab=t.0#heading=h.913mrln2g0cv. 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 (crystal band gap 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 (crystal band gap 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.
MEGNet (crystal band gap model)— waarvoor wordt het gebruikt?
Het werkt in het domein van Materials science, en wordt geregistreerd als het afhandelen van molecular property prediction. 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.
MEGNet (crystal band gap 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 (crystal band gap 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.
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.