Датасет · datamol-io
1,17 млрд молекул в форматах SMILES и SAFE
datamol-io/safe-gpt
Огромный корпус химических молекул в текстовой записи для предобучения генеративных моделей.
Что внутри
Внутри лежит около 1,17 миллиарда уникальных молекул, каждая из которых записана сразу в двух текстовых представлениях: каноническом SMILES и SAFE. Это вторая версия датасета, предназначенная для масштабного предобучения и оценки языковых моделей для химии.
Что можно сделать
- Предобучение химических языковых моделей (LLM) с нуля
- Генерация новых молекулярных структур с заданными свойствами
- Оценка моделей на задачах структурного анализа молекул
- Задачи
- Генерация текста
- Языки
- Английский
- Размер
- 1B–10B записей
- Скачиваний за месяц
- 2,1 тыс.
- Лайков
- 6
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("datamol-io/safe-gpt")