К содержимому

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")