Molekulare Entdeckung · Moleküleigenschaft → Struktur
MolP2SBench
Ein verdecktes Molekülfragment anhand berechneter physikalischer Eigenschaften rekonstruieren. Bekannte Strukturen liefern Referenzantworten; kontrollierte Varianten helfen, Änderungen der Vorhersagen zu untersuchen.
Lehrpaket zum Einstieg
2 Beobachtungen · 2 Kandidaten · 1 Molekülfamilie
Enthält Modelleingaben, separate Labels, ein Bewertungswerkzeug und ein Python-Beispiel. Python 3.9 oder neuer; für den grundlegenden Funktionstest ist kein API-Schlüssel nötig.
Vollständiger Benchmark
136 Ausgangsprobleme je Eigenschaftskanal · 2–4 Kandidaten
Die vollständigen Aufgabenvarianten, Labels, Prompts und das Bewertungswerkzeug finden Sie im Original-Repository. Sein Format unterscheidet sich vom Lehrpaket.
Original-Repository ansehenAnleitung zu den vollständigen Daten
Externe Quelle. Prüfen Sie die Nutzungsbedingungen des Repositorys und der zugrunde liegenden Daten.
- Strukturrekonstruktion
- Evidenznutzung
- Kontrafaktische Reaktion
Diese Fähigkeiten werden im vollständigen Benchmark untersucht. Das Lehrpaar führt in die Schnittstelle ein.
Was bedeuten diese Zahlen?
Eine Aufgabe ist ein Eingabedatensatz, der beantwortet werden soll. Eine Familie fasst ein Ausgangsproblem zur Rekonstruktion mit den zugehörigen Beobachtungen zusammen. Ein Eigenschaftskanal liefert eine Art von Evidenz, etwa den Dipolbetrag. Eine Evidenzbedingung legt fest, wie die Evidenz mit der Aufgabe verknüpft ist: korrekt, zufällig vertauscht oder kontrafaktisch. Zugehörige Datensätze müssen bei unabhängigen Evaluationsaufteilungen zusammenbleiben.
- Eingabe
- Teilweise verdeckte Struktur, Eigenschaftswerte und Ergänzungskandidaten
- Ausgabe
- Eine Kandidatenauswahl je Beobachtung
- Feedback
- Korrektheit und Referenzvergleiche an Entwicklungsfällen
Quelle und Zitation
Benchmark-Artikel. 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 den Benchmark-Artikel für die Aufgaben und das Design von MolP2SBench. Bei aus QM9S abgeleiteten Daten zitieren Sie zusätzlich den ursprünglichen QM9S-Artikel und nennen die verwendete Datenversion. Für jede Quelle gelten eigene Nutzungsbedingungen. A deep learning model for predicting selected organic molecular spectra · QM9S-Datenveröffentlichung.
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}
}