Descoberta molecular · Propriedade molecular → estrutura
MolP2SBench
Recuperar um fragmento molecular oculto a partir de propriedades físicas calculadas. As estruturas conhecidas fornecem respostas de referência; variantes controladas ajudam a investigar mudanças nas previsões.
Pacote didático inicial
2 observações · 2 candidatos · 1 família molecular
Inclui entradas do modelo, rótulos separados, um avaliador e um exemplo em Python. Python 3.9+; não é necessária uma chave de API para o teste básico de funcionamento.
Benchmark completo
136 problemas da fonte por canal de propriedade · 2–4 candidatos
Utilize o repositório original para obter as apresentações completas das tarefas, os rótulos, os prompts e o avaliador. O seu formato difere do pacote didático inicial.
Ver o repositório originalInstruções para os dados completos
Fonte externa. Consulte os termos de reutilização do repositório e dos dados subjacentes.
- Recuperação de estrutura
- Uso de evidências
- Resposta contrafactual
Capacidades examinadas no benchmark completo. O par didático apresenta a interface.
O que significam estes números?
Uma tarefa é um registro de entrada ao qual responder. Uma família agrupa um problema de reconstrução do conjunto de dados de origem com as observações relacionadas. Um canal de propriedade fornece um tipo de evidência, como a magnitude do momento dipolar. Uma condição da evidência especifica como é associada à tarefa: de forma correta, permutada ou contrafactual. Mantenha os registros relacionados juntos ao criar partições de avaliação independentes.
- Entrada
- Estrutura mascarada, valores de propriedades e candidatos para completá-la
- Saída
- Um candidato escolhido para cada observação
- Feedback
- Verificação das respostas e comparação com referências em casos de desenvolvimento
Fonte e citação
Artigo do 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).
Citar este recurso
Cite o artigo do benchmark pelas tarefas e pelo desenho do MolP2SBench. Para registros derivados do QM9S, cite também o artigo fonte do QM9S e identifique a versão do conjunto de dados utilizada. Cada fonte tem os seus próprios termos de reutilização. A deep learning model for predicting selected organic molecular spectra · Versão do conjunto de dados QM9S.
Selecione e copie as entradas abaixo, ou baixe o arquivo BibTeX acima.
@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}
}