The Photoswitch Dataset

该数据集包含405个光开关分子的基准属性预测结果，用于机器学习属性预测。

This dataset comprises benchmark property prediction results for 405 photoswitchable molecules, intended for machine learning-based property prediction.

原始信息汇总

数据集概述

数据集名称

• The Photoswitch Dataset

数据集内容

• 包含405个photoswitch分子的数据。
• 分子结构使用简化分子线性输入规范（SMILES）表示。
• 收集的分子属性包括：
  • 热异构化速率（单位：s^-1）
  • 光稳态（单位：%的特定异构体）
  • pi-pi*/n-pi*波长（单位：纳米）
  • DFT计算的pi-pi*/n-pi*波长（单位：纳米）
  • 消光系数
  • Wiberg指数
  • 辐照波长

属性预测

• 使用GPR-Tanimoto + Fragprints模型进行属性预测。
• 性能指标：
  • RMSE: 20.9 nm
  • MAE: 13.3 nm
  • R^2: 0.90

预测误差分析

• 分析不同模型/表示组合下的预测误差。

TD-DFT比较

• 与Time-Dependent Density Functional Theory (TD-DFT)进行比较。
• 比较指标：
  • GPR-Tanimoto + Fragprints的MAE: 14.9 nm
  • CAM-B3LYP TD-DFT的MAE: 16.5 nm
  • CAM-B3LYP + Linear的MAE: 10.7 nm
  • PBE0 TD-DFT的MAE: 26.0 nm
  • PBE0 + Linear的MAE: 12.4 nm

人类性能比较

• 比较模型预测误差与人类性能。

泛化误差

• 泛化误差结果：
  • RF + Fragprints的RMSE: 85.2 nm (未增强数据集)
  • RF + Fragprints的RMSE: 36.9 nm (增强数据集)

数据可视化

• 提供数据集的可视化。

引用信息

• 引用文章：Griffiths, Ryan-Rhys et al. "Data-driven discovery of molecular photoswitches with multioutput Gaussian processes." Chemical Science, 2022.

搜集汇总

数据集介绍

构建方式

在光开关分子领域，The Photoswitch Dataset通过精心筛选和整理，构建了一个包含405个光开关分子的基准数据集。该数据集不仅涵盖了分子结构信息，还详细记录了多种分子特性，如热异构化速率、光稳态分布、π-π*/n-π*电子跃迁波长等。这些数据通过实验测量和密度泛函理论（DFT）计算获得，确保了数据的多样性和准确性。

特点

该数据集的显著特点在于其多维度的分子特性描述，涵盖了从实验测量到理论计算的多种数据类型。此外，数据集中的分子结构采用简化分子输入线输入系统（SMILES）表示，便于分子信息的数字化处理。数据集还提供了多种模型预测结果，如高斯过程回归（GPR）和随机森林（RF），为研究者提供了丰富的对比和分析基础。

使用方法

使用该数据集时，研究者可以通过提供的Python脚本进行属性预测和模型比较。例如，通过运行`predict_with_GPR.py`脚本，可以针对不同的电子跃迁波长任务进行预测。此外，数据集还提供了与时间依赖的密度泛函理论（TD-DFT）计算结果的对比，以及人类性能比较的脚本，便于研究者全面评估模型的性能。

背景与挑战

背景概述

The Photoswitch Dataset，由Ryan-Rhys Griffiths等人于2022年创建，旨在为光开关分子提供一个标准化的基准数据集。该数据集包含了405个光开关分子的详细属性，涵盖了热异构化速率、光稳态分布、电子跃迁波长等多个关键参数。这些数据不仅为分子建模和属性预测提供了丰富的资源，还为光开关材料的设计与优化提供了理论支持。通过与时间相关的密度泛函理论（TD-DFT）进行对比，该数据集展示了其在分子科学领域的广泛应用潜力，尤其在光化学和材料科学的研究中具有重要意义。

当前挑战

The Photoswitch Dataset在构建过程中面临了多重挑战。首先，光开关分子的属性预测涉及复杂的电子跃迁过程，需要精确的模型来捕捉这些微妙的化学现象。其次，数据集的构建需要整合多种实验和理论计算结果，确保数据的准确性和一致性。此外，如何选择和优化分子表示方法，以提高预测模型的性能，也是一个重要的挑战。最后，数据集的泛化能力，即在不同环境和条件下预测结果的可靠性，也是研究者需要解决的关键问题。

常用场景

经典使用场景

在光开关分子领域，The Photoswitch Dataset 的经典应用场景主要集中在分子性质预测上。该数据集包含了405个光开关分子的详细属性，如热异构化速率、光稳态分布、π-π*/n-π*电子跃迁波长等。通过这些数据，研究者可以训练机器学习模型，预测新分子的光物理性质，从而加速新型光开关材料的发现与优化。

解决学术问题

The Photoswitch Dataset 解决了光开关分子领域中分子性质预测的学术难题。通过提供详细的分子属性数据，该数据集使得研究者能够构建高精度的预测模型，从而减少对实验的依赖，降低研究成本。此外，该数据集还为比较不同理论模型（如TD-DFT）的预测性能提供了基准，推动了理论化学与计算化学的发展。

衍生相关工作

The Photoswitch Dataset 的发布催生了一系列相关研究工作。例如，基于该数据集的分子表示方法和机器学习模型的研究，推动了分子性质预测技术的发展。此外，该数据集还被用于验证和改进多种理论计算方法，如TD-DFT和Gaussian Process Regression。这些衍生工作不仅丰富了光开关分子领域的研究内容，还为其他分子性质预测任务提供了参考。