MEGNet (molecule model)
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi dla tego modelu nie zostały opublikowane, więc nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny tylko za pośrednictwem swojego dostawcy, a zmiana karty graficznej tego nie zmienia..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- University of California San Diego
- Typ organizacji
- Academia
- Kraj
- United States of America
- Opublikowany
- 10 April 2019
- Autorzy
- Chi Chen, Weike Ye, Yunxing Zuo, Chen Zheng, Shyue Ping Ong
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Materials science
- Zadanie
- Molecular property prediction
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 8.7K
- Dane treningowe
- 117,416 tokens
- Epoki
- 1,000
Calculations here: https://docs.google.com/document/d/1BTmyZ9KVTIwkp9z9tRRFsWM5A0QcXiufXrIhujffyso/edit?tab=t.0#heading=h.dcux1bvmijlm
Obliczenia treningowe
Arytmetyka wykonywana w celu wytrenowania modelu, mierzona w operacjach zmiennoprzecinkowych. Jest to miara kosztów przeprowadzenia treningu, a nie tego, jak szybko gotowy model odpowiada na twoje pytania.
- Obliczenia treningowe
- 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
Przebieg szkolenia
Co fizycznie było potrzebne do treningu: jakie chipy, ile, na jak długo i co to pobierało z sieci.
- Sprzęt do trenowania
- NVIDIA GeForce GTX 1080 Ti
- Zastosowane chipy
- 1
- Czas rzeczywisty
- 28 hours
- Pobór mocy
- 283 W
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Zapisz pewność
- Speculative
- Cytaty
- 1,301
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Graph Networks as a Universal Machine Learning Framework for Molecules and Crystals
- Ostatnio zaktualizowane
- 25 May 2026
Co oznaczają liczby
O tym modelu
MEGNet (molecule model) został opublikowany przez University of California San Diego, w kraju zapisanym jako United States of America, podczas April 2019. Wychodzi z organizacji zaklasyfikowanej jako academia.
Działa w dziedzinie Materials science, i jest zapisany jako wykonujący zadanie molecular property prediction.
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Co poszło w budowę tego
Trenowanie zajęło budżet obliczeniowy wynoszący około 4.5 × 10¹⁷ FLOP, na sprzęcie zarejestrowanym jako NVIDIA GeForce GTX 1080 Ti. Ta liczba mierzy, ile kosztowało wyprodukowanie modelu i nie ma wpływu na to, jak szybko odpowiada.
Trening zużył korpus około 117,416 Tokeny tekstu.
Odpowiedzi
MEGNet (molecule model) — częste pytania
MEGNet (molecule model)— do czego to służy?
Działa w dziedzinie Materials science, i jest zarejestrowany jako realizujący zadanie molecular property prediction. Modele często mają więcej niż jeden z każdego, a etykiety opisują cel, a nie ograniczenia możliwości.
MEGNet (molecule model)— ile mocy obliczeniowej użyto do jego trenowania?
Szkolenie zajęło około 4.5 × 10¹⁷ FLOP, na sprzęcie zarejestrowanym jako NVIDIA GeForce GTX 1080 Ti. To mierzy, ile kosztowało wyprodukowanie modelu i nie mówi nic o tym, jak szybko odpowiada po wytrenowaniu — prędkość wnioskowania pochodzi z SZEROKOŚCI PASMA, a nie z budżetu treningowego.
MEGNet (molecule model)— Jaką GPU potrzebuję, aby ją uruchomić?
Żaden. To jest zamknięty model — jego wagi nigdy nie zostały opublikowane, więc nie można go pobrać ani uruchomić na własnym sprzęcie za żadną cenę. Jest dostępny tylko przez jego dostawcę.
MEGNet (molecule model)— czy jest open weight?
Licencja nigdy nie została zarejestrowana w naszych danych źródłowych. Traktujemy niewskazaną licencję jako zamkniętą, ponieważ niezarejestrowana licencja nie jest na którą można polegać.
MEGNet (molecule model)— ile ma parametrów?
Ma liczbę parametrów równą 8.7K. Calculations here: https://docs.google.com/document/d/1BTmyZ9KVTIwkp9z9tRRFsWM5A0QcXiufXrIhujffyso/edit?tab=t.0#heading=h.dcux1bvmijlm. Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.
MEGNet (molecule model)— kto to stworzył?
Zostało opublikowane przez University of California San Diego, oparty na United States of America, organizacja sklasyfikowana jako academia.
MEGNet (molecule model)— kiedy to zostało wydane?
Zostało opublikowane w April 2019. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.