遇见数据集

graphs-datasets/MD17-naphthalene

收藏
Hugging Face2023-02-07 更新2024-03-04 收录
官方服务:

资源简介:

--- licence: unknown task_categories: - graph-ml --- # Dataset Card for naphthalene ## Table of Contents - [Table of Contents](#table-of-contents) - [Dataset Description](#dataset-description) - [Dataset Summary](#dataset-summary) - [Supported Tasks and Leaderboards](#supported-tasks-and-leaderboards) - [External Use](#external-use) - [PyGeometric](#pygeometric) - [Dataset Structure](#dataset-structure) - [Data Properties](#data-properties) - [Data Fields](#data-fields) - [Data Splits](#data-splits) - [Additional Information](#additional-information) - [Licensing Information](#licensing-information) - [Citation Information](#citation-information) - [Contributions](#contributions) ## Dataset Description - **[Homepage](http://www.sgdml.org/#datasets)** - **Paper:**: (see citation) ### Dataset Summary The `naphthalene` dataset is a molecular dynamics (MD) dataset. The total energy and force labels for each dataset were computed using the PBE+vdW-TS electronic structure method. All geometries are in Angstrom, energies and forces are given in kcal/mol and kcal/mol/A respectively. ### Supported Tasks and Leaderboards `naphthalene` should be used for organic molecular property prediction, a regression task on 1 property. The score used is Mean absolute errors (in meV) for energy prediction. ## External Use ### PyGeometric To load in PyGeometric, do the following: ```python from datasets import load_dataset from torch_geometric.data import Data from torch_geometric.loader import DataLoader dataset_hf = load_dataset("graphs-datasets/<mydataset>") # For the train set (replace by valid or test as needed) dataset_pg_list = [Data(graph) for graph in dataset_hf["train"]] dataset_pg = DataLoader(dataset_pg_list) ``` ## Dataset Structure ### Data Properties | property | value | |---|---| | scale | big | | #graphs | 226255 | | average #nodes | 18.0 | | average #edges | 254.73246234354005 | ### Data Fields Each row of a given file is a graph, with: - `node_feat` (list: #nodes x #node-features): nodes - `edge_index` (list: 2 x #edges): pairs of nodes constituting edges - `edge_attr` (list: #edges x #edge-features): for the aforementioned edges, contains their features - `y` (list: #labels): contains the number of labels available to predict - `num_nodes` (int): number of nodes of the graph ### Data Splits This data is not split, and should be used with cross validation. It comes from the PyGeometric version of the dataset. ## Additional Information ### Licensing Information The dataset has been released under license unknown. ### Citation Information ``` @inproceedings{Morris+2020, title={TUDataset: A collection of benchmark datasets for learning with graphs}, author={Christopher Morris and Nils M. Kriege and Franka Bause and Kristian Kersting and Petra Mutzel and Marion Neumann}, booktitle={ICML 2020 Workshop on Graph Representation Learning and Beyond (GRL+ 2020)}, archivePrefix={arXiv}, eprint={2007.08663}, url={www.graphlearning.io}, year={2020} } ``` ``` @article{Chmiela_2017, doi = {10.1126/sciadv.1603015}, url = {https://doi.org/10.1126%2Fsciadv.1603015}, year = 2017, month = {may}, publisher = {American Association for the Advancement of Science ({AAAS})}, volume = {3}, number = {5}, author = {Stefan Chmiela and Alexandre Tkatchenko and Huziel E. Sauceda and Igor Poltavsky and Kristof T. Schütt and Klaus-Robert Müller}, title = {Machine learning of accurate energy-conserving molecular force fields}, journal = {Science Advances} } ```

--- 许可协议:未知 任务类别: - 图机器学习(graph-ml) --- # 萘(naphthalene)数据集卡片 ## 目录 - [目录](#table-of-contents) - [数据集描述](#dataset-description) - [数据集概述](#dataset-summary) - [支持任务与基准榜单](#supported-tasks-and-leaderboards) - [外部使用](#external-use) - [PyGeometric](#pygeometric) - [数据集结构](#dataset-structure) - [数据属性](#data-properties) - [数据字段](#data-fields) - [数据划分](#data-splits) - [附加信息](#additional-information) - [许可信息](#licensing-information) - [引用信息](#citation-information) - [贡献说明](#contributions) ## 数据集描述 - **[数据集主页](http://www.sgdml.org/#datasets)** - **相关论文:** (详见引用信息) ### 数据集概述 `萘(naphthalene)`数据集为分子动力学(MD)数据集。该数据集所有样本的总能量与原子受力标签均通过PBE+vdW-TS电子结构方法计算得到。所有几何坐标单位为埃(Angstrom),能量与原子受力的单位分别为千卡每摩尔(kcal/mol)与千卡每摩尔·埃(kcal/mol/Å)。 ### 支持任务与基准榜单 `萘(naphthalene)`数据集适用于有机分子属性预测任务,属于单属性回归任务。评估指标为能量预测的平均绝对误差(单位:meV)。 ## 外部使用 ### PyGeometric 若需通过PyGeometric加载该数据集,请执行如下代码: python from datasets import load_dataset from torch_geometric.data import Data from torch_geometric.loader import DataLoader dataset_hf = load_dataset("graphs-datasets/<mydataset>") # 针对训练集(如需验证集或测试集可自行替换) dataset_pg_list = [Data(graph) for graph in dataset_hf["train"]] dataset_pg = DataLoader(dataset_pg_list) ## 数据集结构 ### 数据属性 | 属性 | 取值 | |---|---| | 规模 | 大型 | | 图数量 | 226255 | | 平均节点数 | 18.0 | | 平均边数 | 254.73246234354005 | ### 数据字段 每个数据文件的每一行对应一张图,包含以下字段: - `node_feat`(列表格式:节点数 × 节点特征数):节点特征 - `edge_index`(列表格式:2 × 边数):构成边的节点对 - `edge_attr`(列表格式:边数 × 边特征数):对应上述边的边特征 - `y`(列表格式:标签数):待预测的标签集合 - `num_nodes`(整数类型):该图的节点总数 ### 数据划分 该数据集未预先划分训练、验证与测试集,建议通过交叉验证开展模型评估。本数据集源自PyGeometric版本的公开数据集。 ## 附加信息 ### 许可信息 本数据集采用未知许可协议发布。 ### 引用信息 @inproceedings{Morris+2020, title={TUDataset: A collection of benchmark datasets for learning with graphs}, author={Christopher Morris and Nils M. Kriege and Franka Bause and Kristian Kersting and Petra Mutzel and Marion Neumann}, booktitle={ICML 2020 Workshop on Graph Representation Learning and Beyond (GRL+ 2020)}, archivePrefix={arXiv}, eprint={2007.08663}, url={www.graphlearning.io}, year={2020} } @article{Chmiela_2017, doi = {10.1126/sciadv.1603015}, url = {https://doi.org/10.1126%2Fsciadv.1603015}, year = 2017, month = {may}, publisher = {American Association for the Advancement of Science ({AAAS})}, volume = {3}, number = {5}, author = {Stefan Chmiela and Alexandre Tkatchenko and Huziel E. Sauceda and Igor Poltavsky and Kristof T. Schütt and Klaus-Robert Müller}, title = {Machine learning of accurate energy-conserving molecular force fields}, journal = {Science Advances} }

提供机构:
graphs-datasets
原始信息汇总

数据集概述

数据集名称

  • naphthalene

数据集类型

  • 分子动力学(MD)数据集

数据集用途

  • 用于有机分子属性预测,具体为回归任务,预测单一属性

数据集特征

  • 总能量和力标签使用PBE+vdW-TS电子结构方法计算
  • 几何结构单位为Angstrom,能量单位为kcal/mol,力单位为kcal/mol/A

评估指标

  • 使用平均绝对误差(meV)评估能量预测

数据集结构

  • 数据属性

    • 规模:大
    • 图数量:226255
    • 平均节点数:18.0
    • 平均边数:254.73246234354005
  • 数据字段

    • node_feat:节点特征列表
    • edge_index:边索引列表
    • edge_attr:边特征列表
    • y:标签列表
    • num_nodes:节点数量

数据集使用

  • 建议使用交叉验证,数据未分割

许可证信息

  • 许可证:未知

引用信息

搜集汇总
数据集介绍
graphs-datasets/MD17-naphthalene 数据集图片
构建方式
在计算化学与图机器学习的交叉领域中,MD17-naphthalene数据集专为分子动力学模拟而设计,其构建依托于高精度的PBE+vdW-TS电子结构方法。该数据集通过从头算分子动力学对萘分子进行采样,生成了超过22万个几何构型,每个构型均以埃为单位记录原子坐标,并附带总能量与原子受力标签,能量与力的单位分别为kcal/mol和kcal/mol/Å。数据以图结构形式存储,每个样本包含节点特征、边索引、边属性及标签,平均节点数为18,平均边数约为255,充分反映了萘分子内部键连与空间相互作用。
特点
该数据集的核心特点在于其大规模与高精度特性,总计226,255个图样本为有机分子性质预测提供了丰富的训练素材。每个图结构细致刻画了分子拓扑,节点特征与边属性共同编码了原子类型与化学键信息,使得模型能够学习到能量守恒的力场。数据来源于PyGeometric格式,未预设划分,推荐采用交叉验证以评估模型泛化能力,适用于回归任务,评价指标聚焦于能量预测的平均绝对误差。
使用方法
使用该数据集时,推荐通过HuggingFace的datasets库加载,并结合PyTorch Geometric进行图数据处理。具体步骤包括调用load_dataset函数获取数据,将训练集(或验证、测试集)的每一行转换为torch_geometric.data.Data对象,随后利用DataLoader构建批处理加载器。由于数据集未提供预设划分,用户需自行实施交叉验证策略,以充分挖掘其在有机分子能量与力预测任务中的潜力。
背景与挑战
背景概述
分子动力学模拟作为计算化学与材料科学的核心工具,其精度与效率的平衡始终是领域内的关键挑战。为解决传统从头算方法计算成本高昂的瓶颈,研究者致力于开发基于机器学习的力场模型。在此背景下,MD17-naphthalene数据集应运而生,由Stefan Chmiela、Alexandre Tkatchenko等学者于2017年创建,隶属于SGDML项目。该数据集聚焦萘分子体系,采用PBE+vdW-TS电子结构方法计算总能量与原子受力,提供了逾22万个分子构型样本,每个分子由18个原子构成。作为有机分子性质预测的基准,该数据集推动了图神经网络在分子势能面学习中的发展,成为评估能量预测模型的重要标准,其影响力延伸至药物设计、催化机理研究等多个前沿领域。
当前挑战
MD17-naphthalene数据集所解决的领域挑战在于高精度分子力场的机器学习建模,核心是学习从原子构型到能量与力的映射关系,以替代昂贵的量子化学计算。构建过程中面临多重挑战:首先,数据生成需在密度泛函理论(PBE+vdW-TS)水平上进行大量构型采样,计算成本极高;其次,分子构型空间的高维性与非平衡态分布的多样性,要求采样策略兼顾代表性与覆盖度;此外,能量与力的物理约束(如能量守恒性)在模型学习中需严格保持,这对图神经网络架构设计提出特殊要求;最后,数据集的规模(22万余图)与图结构特征(平均边数达254.7)对存储与训练效率构成挑战,需借助PyGeometric等框架实现高效处理与交叉验证。
常用场景
经典使用场景
在量子化学与分子模拟的交叉领域中,MD17-萘数据集为有机分子性质预测提供了标准化的图回归基准。该数据集包含超过22万个分子动力学构象,每个样本以分子图形式呈现,节点代表原子、边表征化学键与空间相互作用。研究者通常利用图神经网络(如SchNet、DimeNet等)从原子坐标与键连关系中学习总能量与原子力的映射关系,以均绝对误差(MAE)作为能量预测的核心评价指标,推动分子势能面建模的精度突破。
实际应用
在实际应用中,基于该数据集训练的模型可作为快速、准确的分子势能替代模型,加速药物分子构象搜索与材料催化反应路径筛选。例如,制药企业可利用预训练模型在毫秒级内计算候选分子的能量变化,取代耗时的密度泛函理论计算,从而将先导化合物优化周期从数周缩短至数小时。此外,该数据驱动的力场还可嵌入分子动力学模拟软件,实现更大时间尺度与空间尺度的有机体系动态行为模拟。
衍生相关工作
该数据集衍生了一系列里程碑式工作,如SchNet提出连续滤波器卷积架构,首次将图神经网络应用于分子能量预测并达到接近DFT的精度;sGDML方法则利用该数据验证了对称性自适应高斯过程回归在力场学习中的物理可解释性。后续的PaiNN、GemNet等模型均在MD17系列上测试旋转等变表示对能量预测的提升效果,催生了将物理先验(如能量守恒、原子间作用对称性)融入图神经网络设计的重要研究方向。
以上内容由遇见数据集搜集并总结生成
二维码
社区交流群
二维码
科研交流群
商业服务