論文の概要: Chem World: A Large-Scale Benchmark and Physics-Informed Framework for Trustworthy Chemical Property Prediction
- arxiv url: http://arxiv.org/abs/2607.28079v1
- Date: Thu, 30 Jul 2026 11:50:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.544494
- Title: Chem World: A Large-Scale Benchmark and Physics-Informed Framework for Trustworthy Chemical Property Prediction
- Title（参考訳）: Chem World: 信頼できる化学特性予測のための大規模ベンチマークと物理インフォームドフレームワーク
- Abstract要約: 化学特性予測のための総合的なベンチマークであるChem Worldを紹介する。
Chem Worldは17種類の化学データセットと800,000以上の分子サンプルを統合している。
また、物理インフォームドニューラルネットワークに基づく予測フレームワークであるMixture-PINNを提案する。
- 参考スコア（独自算出の注目度）: 8.367237766104159
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Chemical property prediction plays a critical role in accelerating scientific discovery in chemistry, materials science, and drug development. However, existing benchmarks often suffer from limited task diversity, fragmented datasets, and inconsistent evaluation protocols, making it challenging to systematically assess the reliability and generalization of AI models. In this work, we introduce Chem World, a comprehensive benchmark for chemical property prediction that integrates 17 diverse chemical datasets with over 800,000 molecular samples, covering various properties including density, electrical conductivity, solubility, and other molecular characteristics. Chem World provides a unified platform for evaluating AI models across multiple property prediction tasks. Furthermore, we propose Mixture-PINN, a physics-informed neural network based prediction framework that incorporates chemical prior knowledge into data-driven learning, improving the accuracy, robustness, and reliability of chemical property prediction. Extensive experiments on Chem World demonstrate the effectiveness of our approach compared with existing methods. By combining large-scale standardized evaluation with physics-informed learning, Chem World establishes a foundation for developing trustworthy AI systems for computational chemistry and advancing AI-driven scientific discovery.
- Abstract（参考訳）: 化学特性予測は、化学、材料科学、薬物開発における科学的発見の加速に重要な役割を果たしている。
しかし、既存のベンチマークはタスクの多様性、断片化されたデータセット、一貫性のない評価プロトコルに悩まされることが多く、AIモデルの信頼性と一般化を体系的に評価することは困難である。
本研究では,17種類の化学データセットと80,000以上の分子サンプルを統合し,密度,電気伝導度,溶解度,その他の分子特性を網羅した化学特性予測の総合的なベンチマークであるChem Worldを紹介する。
Chem Worldは、複数のプロパティ予測タスクにわたってAIモデルを評価するための統一されたプラットフォームを提供する。
さらに、物理インフォームドニューラルネットワークに基づく予測フレームワークであるMixture-PINNを提案し、化学先行知識をデータ駆動学習に取り入れ、化学特性予測の正確性、堅牢性、信頼性を向上させる。
Chem Worldでの大規模な実験は、既存の手法と比較して、我々のアプローチの有効性を実証している。
大規模で標準化された評価と物理インフォームドラーニングを組み合わせることで、Chem Worldは、計算化学のための信頼できるAIシステムの開発と、AI駆動の科学的発見の進展のための基盤を確立する。
関連論文リスト
- ElemeNet: Multiscale Molecular Machine Learning with Uncertainty Quantification Across the Periodic Table [2.6643543039977318]
ElemeNetは分子機械学習のための統一的で汎用的なソフトウェアパッケージである。
分子表現は1-100元素と互換性があり, 多様な有機金属系および生体系をサポートする。
我々は,有機,無機,調整,生物化学の代表的なデータセットに対して,MLモデルトレーニングのためのプロトコルをベンチマークした。
論文 参考訳（メタデータ） (2026-06-29T22:38:09Z) - Agentic reinforcement learning empowers next-generation chemical language models for molecular design and synthesis [51.83339196548892]
ChemCraftは、知識ストレージから化学推論を分離する新しいフレームワークである。
ChemCraftは最小の推論コストで優れたパフォーマンスを実現する。
この研究は、AI支援化学のコスト効率とプライバシ保護のパラダイムを確立する。
論文 参考訳（メタデータ） (2026-01-25T04:23:34Z) - Unveiling Latent Knowledge in Chemistry Language Models through Sparse Autoencoders [42.033443425253644]
我々はスパースオートエンコーダ技術を拡張して化学言語モデル内の解釈可能な特徴を明らかにし,検討する。
以上の結果から,これらのモデルが化学概念の豊かな風景をエンコードしていることが判明した。
我々のアプローチは、化学にフォーカスしたAIシステムにおける潜在知識を明らかにするための一般的なフレームワークを提供する。
論文 参考訳（メタデータ） (2025-12-08T22:20:01Z) - Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。
我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
論文 参考訳（メタデータ） (2025-10-20T17:56:01Z) - QCBench: Evaluating Large Language Models on Domain-Specific Quantitative Chemistry [19.804237919102903]
QCBenchは7つの化学サブフィールドにわたる350の計算化学問題からなる定量化学指向のベンチマークである。
それぞれの問題は、ショートカットを防止し、明示的な数値推論を要求するように構成されている。
QCBenchは、計算の弱点のきめ細かい診断を可能にし、モデル固有の制限を明らかにし、将来の改善の基盤となる。
論文 参考訳（メタデータ） (2025-08-03T08:55:42Z) - ChemPile: A 250GB Diverse and Curated Dataset for Chemical Foundation Models [2.0815739337757555]
我々は75億以上のキュレートされた化学データのトークンを含むオープンデータセットであるChemPileを提示する。
データセットは、化学による人間の学習の旅を反映している。
ChemPileは基本的な概念とドメイン固有の複雑さの両方をキャプチャする。
論文 参考訳（メタデータ） (2025-05-18T20:22:21Z) - BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。
我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。
この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
論文 参考訳（メタデータ） (2024-08-19T05:17:40Z) - Universal neural network potentials as descriptors: Towards scalable chemical property prediction using quantum and classical computers [0.0]
本稿では,化学特性予測のための汎用記述子として,普遍的ニューラルネットワークポテンシャルの中間情報を利用する汎用的アプローチを提案する。
本稿では,M3GNet や MACE などのグラフニューラルネットワークを用いた伝達学習が,NMR の化学シフトを予測するための最先端手法に匹敵する精度を実現することを示す。
論文 参考訳（メタデータ） (2024-02-28T15:57:22Z) - Towards out-of-distribution generalizable predictions of chemical
kinetics properties [61.15970601264632]
Out-Of-Distribution (OOD) の運動特性予測は一般化可能である必要がある。
本稿では,OODの運動特性予測を3つのレベル(構造,条件,機構)に分類する。
我々は、OOD設定における反応予測のための最先端MLアプローチと、速度論的特性予測問題における最先端グラフOOD手法をベンチマークするために、包括的なデータセットを作成する。
論文 参考訳（メタデータ） (2023-10-04T20:36:41Z) - ChemVise: Maximizing Out-of-Distribution Chemical Detection with the
Novel Application of Zero-Shot Learning [60.02503434201552]
本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。
合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
論文 参考訳（メタデータ） (2023-02-09T20:19:57Z) - Federated Learning of Molecular Properties in a Heterogeneous Setting [79.00211946597845]
これらの課題に対処するために、フェデレーションヘテロジニアス分子学習を導入する。
フェデレートラーニングにより、エンドユーザは、独立したクライアント上に分散されたトレーニングデータを保存しながら、グローバルモデルを協調的に構築できる。
FedChemは、化学におけるAI改善のための新しいタイプのコラボレーションを可能にする必要がある。
論文 参考訳（メタデータ） (2021-09-15T12:49:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。