QuantumChem-200K: A Large-Scale Open Organic Molecular Dataset for Quantum-Chemistry Property Scr...

文章核心总结与创新点

一、主要内容

1. 研究背景：双光子聚合（TPP）下一代光引发剂的发现受限于缺乏包含光解离和激发态行为建模所需的量子化学与光物理性质的大型开放数据集，现有分子数据集仅提供基础物理化学描述符，无法支撑数据驱动的筛选或AI辅助设计。
2. 数据集构建：构建了QuantumChem-200K数据集，包含20多万个有机分子，标注了11种关键量子化学性质，涵盖双光子吸收（TPA）截面、TPA光谱范围、单重态-三重态系间窜越（ISC）能量、毒性、合成可及性分数、亲水性、溶解度、沸点、分子量和芳香性等，这些性质通过密度泛函理论（DFT）、半经验激发态方法、原子量子求解器和神经网络预测器的混合工作流计算得出。
3. 模型开发：利用该数据集微调开源大语言模型Qwen-2.5-32B，开发出能够根据SMILES字符串进行正向性质预测的化学AI助手。
4. 模型评估：在来自VQM24和ZINC20的3000个未见过的分子上进行基准测试，结果表明，经过领域特异性微调的模型在准确性上显著优于GPT-4o、Llama-3.1-70B和基础Qwen-2.5-32B模型，尤其在光引发剂设计核心的TPA和ISC预测任务上表现突出。

二、创新点

1. 首个光引发剂专用大型开放数据集：QuantumChem-200K是首个聚焦光引发剂相关量子化学和光物理性质的大规模开放数据集，填补了