분자 탐색 · 분자 물성 → 구조
MolP2SBench
계산된 물리적 특성을 이용해 가려진 분자 조각을 복원합니다. 알려진 구조가 참조 답을 제공하고, 통제된 비교로 예측의 변화를 살펴봅니다.
교육용 입문 패키지
관측 2개 · 후보 2개 · 분자 패밀리 1개
모델 입력, 별도 라벨, 채점 도구, Python 예제가 포함됩니다. Python 3.9 이상이 필요합니다. 기본 동작 확인에는 API 키가 필요하지 않습니다.
전체 벤치마크
물성 채널당 원본 문제 136개 · 후보 2~4개
전체 태스크 입력, 라벨, 프롬프트, 채점 도구는 원본 저장소를 이용하세요. 형식은 교육용 입문 패키지와 다릅니다.
외부 출처입니다. 저장소와 기반 데이터의 재사용 조건을 확인하세요.
- 구조 복원
- 증거 활용
- 반사실적 응답
전체 벤치마크에서 조사하는 능력입니다. 교육용 두 사례는 인터페이스를 소개합니다.
이 수치들은 무엇을 뜻하나요?
태스크는 답해야 할 하나의 입력 레코드입니다. 패밀리는 원래의 복원 문제와 관련 관측을 하나로 묶습니다. 물성 채널은 쌍극자 모멘트 크기처럼 특정 종류의 증거를 제공합니다. 증거 조건은 올바른 대응, 셔플, 반사실적 조건 등 증거와 태스크를 연결하는 방식을 정합니다. 독립된 평가용 데이터를 분할할 때 관련 레코드는 같은 묶음에 두어야 합니다.
- 입력
- 일부를 가린 구조, 물성값, 구조 완성 후보
- 출력
- 각 관측에 대한 후보 선택
- 피드백
- 개발용 사례의 정답 여부와 기준값 비교
출처와 인용
벤치마크 논문. 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).
이 리소스 인용
MolP2SBench의 태스크와 설계는 벤치마크 논문을 인용하세요. QM9S에서 유래한 레코드를 사용할 때는 원래 QM9S 논문도 인용하고, 사용한 데이터셋 릴리스를 명시하세요. 각 출처에는 고유한 재사용 조건이 있습니다. A deep learning model for predicting selected organic molecular spectra · QM9S 데이터셋 릴리스.
아래 항목을 선택해 복사하거나 위의 BibTeX 파일을 내려받으세요.
@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}
}