ChemData700K

ChemData700K 是一个包含了九项化学核心任务，730K个高质量问答的大语言模型化学能力指令微调数据集.

ChemData是大模型语料数据联盟成员单位上海人工智能实验室（Shanghai Artificial Intelligence Laboratory）精心构建的大规模数据集，旨在为化学语言模型的微调提供支持，从而提高、释放其全部化学潜力。

## 数据集来源

为确保化学语言模型的有效性，获取多样化且高质量的数据集至关重要。因此，研究团队从大量的知名在线数据库中收集了海量化学数据，这其中包括了PubChem、ChEMBL、ChEBI、ZINC、USPTO、ORDerly、ChemXiv、LibreTexts Chemistry、Wikipedia和Wikidata等等。基于这一系列在线数据库，研究团队构建了ChemData数据集。

## 数据集构成

ChemData包含了7,000,000条用于指令微调（Instruction Tuning）的问答对。同时，ChemData覆盖了广泛的化学领域专业知识，主要面向三种化学任务类型：分子（Molecules）、反应（Reactions）以及其它特定领域（Domain-specific）任务。

● 分子（Molecules）
具体而言，分子相关的任务包括名称转换（Name Conversion）、文生分子（Caption2Mol）、分子生文（Mol2Caption）和分子属性预测（Molecular Property Prediction），这些任务旨在优化、提升语言模型对化学分子的理解能力。

● 反应（Reactions）
与反应相关的任务涵盖了逆合成（Retrosynthesis）、产物预测（Product Prediction）、产率预测（Yield Prediction）、温度预测（Temperature Prediction）和溶剂预测（Solvent Prediction），涵盖了化学反应的各个方面。

● 其它特定领域（Domain-specific）
此外，所有无法明确分类的其他数据都归类为特定领域任务，这些数据提升了化学语言模型对整个化学领域的理解。