Molekülforschung · Von Moleküleigenschaften zur Struktur
MolP2SBench
Rekonstruieren Sie ein verdecktes Molekülfragment anhand berechneter physikalischer Eigenschaften. Bekannte Strukturen liefern die Referenzantworten. Kontrollierte Varianten helfen zu untersuchen, wie sich die Vorhersagen verändern.
Lehrpaket zum Einstieg
2 Beobachtungen · 2 Kandidaten · 1 molekulare Fallfamilie
Enthält die Eingaben für das Modell, getrennt gespeicherte Referenzantworten, ein Werkzeug zur Bewertung (Scoring) und ein Python-Beispiel. Python 3.9+; für den grundlegenden Funktionstest ist kein API-Schlüssel nötig.
Vollständiger Benchmark
136 Ausgangsaufgaben je Eigenschaftskanal · 2–4 Kandidaten
Im ursprünglichen Repository finden Sie alle Aufgabenvarianten, Referenzantworten, Prompts und das Werkzeug zur Bewertung (Scoring). Das Format unterscheidet sich von dem des Lehrpakets.
Original-Repository ansehenZugang zum vollständigen Datensatz
Externe Quelle. Prüfen Sie die Bedingungen für die Nachnutzung des Repositorys und der zugrunde liegenden Daten.
- Strukturrekonstruktion
- Nutzung der Angaben
- Reaktion auf kontrafaktische Angaben
Diese Fähigkeiten werden im vollständigen Benchmark untersucht. Die beiden Lehrbeispiele dienen dazu, die Schnittstelle kennenzulernen.
Was bedeuten diese Zahlen?
Eine Aufgabe entspricht einem Dateneintrag, zu dem eine Antwort erwartet wird. Eine Fallfamilie umfasst ein Problem zur Rekonstruktion einer Molekülstruktur aus dem ursprünglichen Datensatz und alle zugehörigen Beobachtungen. Ein Eigenschaftskanal liefert eine bestimmte Art von Information, etwa den Betrag des Dipolmoments. Die Bedingung der Informationszuordnung beschreibt, ob diese Angaben der Aufgabe korrekt, vertauscht oder kontrafaktisch zugeordnet sind. Wenn Sie die Daten für eine unabhängige Evaluation aufteilen, lassen Sie zusammengehörige Einträge jeweils in derselben Teilmenge.
- Eingabe
- Teilweise verdeckte Struktur, Eigenschaftswerte und vorgeschlagene Ergänzungen
- Ausgabe
- Ein Kandidat für jede Beobachtung
- Rückmeldung
- Antworten anhand von Beispielen für die Entwicklung prüfen und mit Referenzen vergleichen
Quelle und Zitierhinweise
Publikation zum Benchmark. Yuhang Xie, Zhiyi Shi, Zeyi Zhang, Zhisheng Qi, Yushun Dong, Yu Wang, Xiongye Xiao. MolP2SBench: Do LLMs Really Reason from Molecular Properties to Structure? arXiv:2610.12522 (2026).
Diese Ressource zitieren
Zitieren Sie die Publikation zu MolP2SBench für dessen Aufgaben und Aufbau. Wenn Sie Daten verwenden, die aus QM9S stammen, zitieren Sie zusätzlich die ursprüngliche QM9S-Publikation und nennen Sie die verwendete Version des Datensatzes. Für jede Quelle gelten eigene Bedingungen für die Nachnutzung. A deep learning model for predicting selected organic molecular spectra · Veröffentlichte Version des QM9S-Datensatzes.
Markieren und kopieren Sie die Einträge unten oder laden Sie die BibTeX-Datei oben herunter.
@misc{xie2026molp2sbench,
title = {MolP2SBench: Do LLMs Really Reason from Molecular Properties to Structure?},
author = {Yuhang Xie and Zhiyi Shi and Zeyi Zhang and Zhisheng Qi and Yushun Dong and Yu Wang and Xiongye Xiao},
year = {2026},
eprint = {2610.12522},
archivePrefix = {arXiv},
primaryClass = {physics.chem-ph},
url = {https://arxiv.org/abs/2610.12522}
}
@article{zou2023molecularspectra,
title = {A deep learning model for predicting selected organic molecular spectra},
author = {Zihan Zou and Yujin Zhang and Lijun Liang and Mingzhi Wei and Jiancai Leng and Jun Jiang and Yi Luo and Wei Hu},
journal = {Nature Computational Science},
year = {2023},
volume = {3},
pages = {957--964},
doi = {10.1038/s43588-023-00550-y},
url = {https://doi.org/10.1038/s43588-023-00550-y}
}