HydroNet

HydroNet数据集是由太平洋西北国家实验室创建的，包含495万个水分子团簇的数据集。该数据集提供了空间坐标和两种类型的图表示，以适应各种机器学习实践。数据集通过Monte Carlo Temperature Basin Paving (MCTBP) 采样方法生成，覆盖了3至30个水分子每团簇的低能量水分子团簇。HydroNet数据集主要用于机器学习在化学领域的应用，特别是预测化学性质和生成具有定制性质的分子结构，旨在解决分子间和/或长程相互作用的问题。

The HydroNet dataset, developed by the Pacific Northwest National Laboratory, contains 4.95 million water molecule clusters. This dataset provides spatial coordinates and two types of graph representations to support diverse machine learning workflows. Generated via the Monte Carlo Temperature Basin Paving (MCTBP) sampling method, it covers low-energy water clusters consisting of 3 to 30 water molecules per cluster. Primarily applied to machine learning research in chemistry, the HydroNet dataset is specifically utilized for predicting chemical properties and generating molecular structures with tailored properties, with the goal of addressing challenges associated with intermolecular and/or long-range interactions.

搜集汇总

数据集介绍

构建方式

在分子科学领域，精确捕捉分子间相互作用对于理解复杂化学现象至关重要。HydroNet数据集的构建采用了蒙特卡洛温度盆地铺展采样方法，系统生成了包含3至30个水分子的水团簇低能构型，总计495万个样本。每个团簇的能量通过基于第一性原理的TTM2.1-F可极化势函数计算获得，确保了数据的物理准确性。数据集以三种格式存储：原子空间坐标、原子相互作用图和粗粒度分子图，每种格式均提供JSON和TensorFlow Protobuf序列化版本，并预先划分了训练、验证和测试子集，为机器学习研究提供了多尺度且结构化的数据基础。

使用方法

该数据集主要应用于两类机器学习任务：分子性质预测与分子结构生成。在性质预测任务中，研究者可利用空间坐标或图结构输入，训练神经网络模型（如SchNet或消息传递神经网络）来预测团簇能量，其中几何到能量的预测已达到较高精度。在生成任务中，模型需在给定水分子数量的条件下，输出符合氢键网络结构度量（如度分布、最短路径、环分布）的低能构型。数据集提供的代码工具支持计算这些图描述符，便于跟踪结构基序的保持情况，从而推动能够处理分子间与长程相互作用的图神经网络与生成模型的发展。

背景与挑战

背景概述

在计算化学与机器学习交叉领域，分子数据的建模长期面临如何有效捕捉非共价相互作用的科学难题。HydroNet数据集于2020年由美国能源部下属的太平洋西北国家实验室、阿贡国家实验室及芝加哥大学等机构的研究团队联合创建，旨在通过包含495万个水团簇最低能量构象的大规模数据，推动机器学习模型在保留分子间相互作用与结构基序方面的能力。该数据集的核心研究问题聚焦于如何利用机器学习方法精确预测水团簇的能量并生成符合物理规律的低能结构，从而深化对氢键网络及长程相互作用的理解，为电池电解质设计、蛋白质折叠及量子材料开发等应用提供理论基础。

当前挑战

HydroNet数据集所针对的领域挑战在于，传统分子图表示常忽略氢键等非共价相互作用，导致模型在处理依赖分子间或长程相互作用的系统时性能受限。具体而言，该数据集旨在解决水团簇能量预测与结构生成两大任务，其中能量预测需从几何坐标或图连接中准确推断团簇势能，而结构生成则要求模型在满足氢键网络拓扑约束的同时优化空间排列以逼近低能构象。在构建过程中，研究团队面临采样低能水团簇的复杂性，因为众多异构体可能具有相近能量，且氢原子排列遵循伯纳尔-福勒规则，使得氢键网络呈现高度多样性；此外，数据集需整合原子级几何坐标与两种图表示（原子相互作用图与粗粒度图），以兼容不同机器学习范式，这增加了数据标准化与一致性维护的难度。

常用场景

经典使用场景

在计算化学与机器学习交叉领域，HydroNet数据集为研究分子间相互作用提供了关键基准。该数据集包含495万个水团簇的几何坐标与图表示，其经典应用场景在于训练和评估神经网络模型，以预测水团簇的势能或生成符合低能量构型的分子结构。通过几何到能量或图到能量的任务设置，研究者能够探索氢键网络与长程相互作用对系统稳定性的影响，从而深化对水团簇多尺度行为的理解。

解决学术问题

HydroNet数据集致力于解决分子机器学习中一个核心学术问题：如何在模型中有效保留分子间相互作用与结构基序。传统图表示常忽略氢键等非共价相互作用，而该数据集通过提供原子级和粗粒度图表示，使模型能够捕捉短程共价键、分子间氢键及扩展多体效应。这推动了针对长程相互作用的神经网络设计，弥补了现有数据集中在多尺度相互作用建模上的空白，为预测复杂分子系统的能量与生成合理结构提供了理论基础。

实际应用

在实际应用层面，HydroNet数据集加速了化学与材料科学中大规模分子系统的模拟进程。基于该数据集训练的模型可用于高效预测水团簇能量，替代昂贵的量子化学计算，从而促进电池电解质设计、蛋白质折叠研究以及量子材料开发等领域。此外，生成模型能够为药物递送系统或溶剂化过程提供低能量候选结构，显著缩短实验筛选周期，为依赖长程相互作用的实际科学问题提供计算支持。

数据集最近研究

最新研究方向

在分子机器学习领域，HydroNet数据集的推出为研究分子间相互作用和结构基序的保留提供了关键基准。该数据集聚焦于水簇体系，其庞大的低能构象集合启发了前沿研究方向，主要集中在基于几何与图表示的神经势能预测模型优化，以及结构度量保持的分子生成任务。当前研究热点在于探索图神经网络如何有效捕捉氢键网络的长程多体相互作用，以弥合坐标信息与纯图结构预测之间的性能差距。这一进展对电池电解质设计、蛋白质折叠模拟及量子材料开发等跨学科应用具有深远影响，推动了计算化学向更高效、精准的模拟范式演进。

相关研究论文

• HydroNet: Benchmark Tasks for Preserving Intermolecular Interactions and Structural Motifs in Predictive and Generative Models for Molecular Data

  太平洋西北国家实验室 · 2020年