iknow-lab/open-materials-guide-2024

OMG数据集是一个包含超过17,000个专家验证的合成配方的集合，旨在支持材料科学和机器学习研究，特别是原料预测、合成过程生成和特性结果预测等任务。The OMG dataset is a collection of over 17,000 expert-verified synthesis recipes designed to support research in materials science and machine learning, particularly for tasks such as raw materials prediction, synthesis procedure generation, and characterization outcome forecasting.

搜集汇总

数据集介绍

构建方式

在材料科学与机器学习交叉融合的前沿领域，高质量合成数据的匮乏始终是制约自动化材料发现的关键瓶颈。为此，研究者构建了Open Materials Guide (OMG)数据集，该数据集从开放获取的学术文献中系统性地提取了超过17,000条经专家验证的合成配方。数据采集依托Semantic Scholar API完成，每条记录不仅包含文献元数据如标题、摘要、作者及引用次数，还经由领域专家对原始材料、合成步骤、表征方法等核心信息进行结构化标注与审核，最终形成了涵盖10种合成技术、包含训练集与高低影响力测试集的多层次数据体系。

特点

OMG数据集的核心优势在于其兼具规模性与专业可靠性。数据集每条样本均包含详尽的合成配方字段，如Synthesis_Recipe、Target、Chemical_Formula、Material_Class及Synthesis_Process等结构化信息，同时提供contributions_embedding向量与classification_result等辅助特征，为下游模型训练提供了丰富的语义表征基础。此外，数据集按文献影响力划分为test_standard_impact与test_high_impact两个测试子集，可支持不同难度级别的模型评估，充分体现了在材料信息学研究中数据质量与任务多样性的平衡考量。

使用方法

该数据集以HuggingFace标准格式发布，用户可以通过datasets库直接加载default配置，无需额外预处理即可获取训练与测试分片。在应用层面，OMG数据集支持多种材料科学机器学习任务，包括原材料预测、合成流程生成以及表征结果推断等。研究者可将其与论文中提出的AlchemyBench基准代码库结合使用，通过结构化字段进行序列化建模或嵌入特征提取，从而在自动化材料发现的全链条中验证算法性能。数据集采用CC BY 4.0许可协议，便于学术与工业界的广泛复用与二次开发。

背景与挑战

背景概述

在材料科学领域，传统实验驱动的合成方法面临效率低下与可重复性不足的困境，而机器学习与数据驱动的范式革新正为这一领域注入新的活力。2025年，由iknow-lab研究团队发布的Open Materials Guide (OMG)数据集，汇聚了来自开放获取文献的逾17,000条经专家验证的合成配方，旨在弥合材料科学与人工智能之间的鸿沟。该数据集由Heegyu Kim、Taeyang Jeon等十余名研究人员共同构建，其核心研究问题聚焦于如何通过结构化的大规模合成数据，支持原料预测、合成流程生成及表征结果预测等下游任务。OMG数据集的问世，不仅为自动化材料发现提供了高质量的基准资源，更推动了“LLM-as-a-Judge”等专家级评估框架的发展，对加速材料基因组计划与智能实验设计具有深远影响。

当前挑战

OMG数据集所应对的领域核心挑战在于材料合成过程的复杂性与高维非线性关系，传统方法难以精确预测最优原料组合与反应条件，而数据驱动模型则需克服稀疏标注与多模态异构数据融合的瓶颈。在构建过程中，团队面临多重技术难题：从海量开放文献中自动提取合成配方时，需解决文本的语义歧义与格式不统一问题；专家验证环节虽保障了数据质量，但人力成本高昂且扩展性受限；此外，不同合成技术（如溶剂热、气相沉积）的流程差异导致数据结构化难度陡增，而表征方法（如XRD、SEM）的多样性进一步增加了特征对齐的挑战。这些障碍共同构成了将原始文献转化为机器可读、领域可用的高保真数据集的核心困境。

常用场景

经典使用场景

Open Materials Guide（OMG）数据集汇聚了逾一万七千条经领域专家严格审核的合成配方，源自开放获取的学术文献，为材料科学与机器学习的交叉研究提供了高质量的结构化数据基石。其经典使用场景聚焦于材料合成预测，涵盖原材料预测、合成步骤生成以及表征结果推断等核心任务，研究者可基于配方中的化学式、材料类别与应用领域等信息，构建端到端的预测模型，推动材料发现从经验驱动向数据驱动转型。

解决学术问题

该数据集系统性地回应了材料科学中长期存在的两大瓶颈：合成配方数据的稀缺性与非标准化。OMG通过专家验证机制确保了配方的科学可靠性，同时以结构化字段（如Synthesis_Recipe、Chemical_Formula、Material_Class）为模型训练提供了统一基准，解决了传统文献中配方描述模糊、难以复现的痛点。其发布显著降低了机器学习应用于材料合成预测的门槛，为自动化材料发现奠定了数据基础，并促进了可重复性研究范式的建立。

衍生相关工作

OMG数据集的发布催生了若干标志性衍生工作，其中最引人注目的是AlchemyBench基准测试框架的构建，该框架系统评估了大型语言模型在材料合成推理中的专家级能力。此外，基于该数据集的研究团队提出了“LLM-as-a-Judge”范式，利用大模型自动评估合成方案的科学合理性，开创了材料科学中自动化质量审核的新方向。这些工作共同推动了从数据收集、模型训练到自动化评估的全链条材料发现生态系统的形成。