Dataset for the Article: nablaColors: A 3D Benchmark for Optical Property Prediction with Solvent-aware Graph Neural Networks
Notice bibliographique
Résumé
This dataset provides curated molecular conformations and predefined splits for benchmarking machine learning models in optical absorption prediction. The core file, absorption_conformations.zip, contains an LMDB database of molecular geometries optimized at multiple levels of theory (xTB, DFT in vacuum, and DFT with implicit solvent). The accompanying CSV files (absorption_pairs_all.csv, absorption_train.csv, absorption_val.csv, absorption_test.csv) define the train/validation/test splits for supervised absorption prediction. To support robust evaluation, scaffold-based cross-validation splits are also provided for both single-property absorption (absorption_crossval.zip) and multitarget learning (multitarget_crossval.zip). The files smiles_to_replace.csv and smiles_to_remove.csv document corrections and exclusions applied during curation to ensure dataset quality. Together, these resources enable reproducible training and evaluation of 2D and 3D models for molecular optical property prediction. Examples of how to read from the LMDB databases are available at: https://github.com/AI4DD/nablaColors. This dataset compiles experimental data on absorption and emission maxima, as well as photoluminescence quantum yield, from the following sources: Joung et al. (2020), Ju et al. (2021), Venkatraman et al. (2018), and Venkatraman & Chellappan (2020).In addition to the dataset and splits, this release includes four pretrained UniProp checkpoints trained on the provided conformations. Examples of validation and inference available at: https://github.com/AI4DD/nablaColors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,042 | 0,041 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».