Recherche moléculaire · Propriété moléculaire → structure
MolP2SBench
Reconstituez un fragment moléculaire masqué à partir de propriétés physiques calculées. Les structures connues fournissent les réponses de référence. Des variantes contrôlées permettent d’étudier les changements de prédiction.
Kit pédagogique de démarrage
2 observations · 2 candidats · 1 famille moléculaire
Le kit contient les données d’entrée du modèle, les réponses de référence dans un fichier séparé, un outil de calcul des scores et un exemple Python. Python 3.9+ ; aucune clé API n’est nécessaire pour le test de bon fonctionnement.
Banc d’évaluation complet
136 problèmes d’origine par canal de propriété · 2–4 candidats
Le dépôt d’origine donne accès à l’ensemble des variantes de tâches, aux réponses de référence, aux consignes et à l’outil de calcul des scores. Son format diffère de celui du kit pédagogique.
Consulter le dépôt d’origineInstructions pour accéder aux données complètes
Source externe. Consultez les conditions de réutilisation du dépôt et des données sous-jacentes.
- Reconstruction de structures
- Prise en compte des données
- Réponse aux données contrefactuelles
Ces capacités sont étudiées dans le banc d’évaluation complet. Les deux exemples pédagogiques servent à découvrir l’interface.
Que signifient ces nombres ?
Une tâche correspond à un exemple d’entrée pour lequel une réponse est attendue. Une famille regroupe un problème de reconstruction moléculaire issu du jeu de données d’origine et toutes les observations associées à ce problème. Un canal de propriété fournit un type de données, par exemple la norme du moment dipolaire. La condition de présentation précise comment ces données sont associées à la tâche : association correcte, permutée ou contrefactuelle. Lors de la répartition en sous-ensembles d’évaluation indépendants, gardez les enregistrements liés dans le même sous-ensemble.
- Entrée
- Structure partiellement masquée, valeurs de propriétés et fragments proposés
- Sortie
- Un candidat à choisir pour chaque observation
- Retour d’évaluation
- Vérification des réponses et comparaison aux références pendant le développement
Source et citation
Article sur le banc d’évaluation. 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).
Citer cette ressource
Pour les tâches et la conception de MolP2SBench, citez l’article qui présente ce banc d’évaluation. Pour les données dérivées de QM9S, citez également l’article de QM9S et indiquez la version du jeu de données utilisée. Chaque source a ses propres conditions de réutilisation. A deep learning model for predicting selected organic molecular spectra · Version du jeu de données QM9S.
Sélectionnez et copiez les entrées ci-dessous, ou téléchargez le fichier BibTeX ci-dessus.
@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}
}