SMolInstruct

מה זה

המאגר כולל יותר מ־3 מיליון רשומות שמחולקות ל־14 משימות מוגדרות בעולם הכימיה. בין המשימות תמצאו סינתזה ישירה ורטרו-סינתזה, יצירת תיאורים למולקולות, המרת שמות כימיים בין פורמטים שונים וחיזוי תכונות מולקולריות כמו מסיסות, רעילות קלינית וחדירות למחסום דם-מוח.

איסוף המידע נעשה ממקורות שונים ברשת, ולאחר מכן עבר בקרת איכות קפדנית לסינון מולקולות לא תקינות כימית, מידע שגוי וכפילויות. הייצוגים הכימיים נשמרים בפורמט קנוני, כאשר כל דגימה עטופה בתבניות הוראה טבעיות עם תגיות מיוחדות כמו סמייליס כדי להקל על חילוץ התשובות.

החלוקה הפנימית מכילה סטים קבועים של אימון, ולידציה ובדיקה, תוך הקפדה על מניעת דליפת מידע בין משימות שונות. בנוסף, המאגר מציע ייצוג מקביל לחלוטין בפורמט סלפיס למי שמעדיף להימנע ממבני סמייליס שבירים.

מתאים ל

• אימון מודלי כימיה

  כיוונון מודלי שפה גנרטיביים לפתרון משימות כימיות מורכבות על מולקולות קטנות.

• תכנון סינתזה ורטרו-סינתזה

  חיזוי מסלולי תגובה ופירוק של מולקולות באמצעות הוראות טקסט ישירות.

• חיזוי תכונות מולקולריות

  הערכת תכונות ביולוגיות ורפואיות כמו רעילות ומסיסות ישירות ממבנה המולקולה.

איפה זה נופל

כל הטקסט וההוראות בנויים באנגלית בלבד, ואין פה שום תמיכה בשפות אחרות. המיקוד הוא אך ורק במולקולות קטנות, כך שביולוגיה מורכבת כמו חלבונים או רצפי די-אן-אי גדלים לא קיימת כאן. מעבר לכך, למרות הסינון הכימי, מודלים שמאומנים על הטקסטים האלה עלולים לייצר הלוצינציות של תגובות כימיות לא ישימות במעבדה, ולכן אי אפשר להסתמך עליהם לייצור פיזי בלי בדיקה אנושית מקצועית.

איך טוענים

טוענים את הנתונים ישירות דרך ספריית הדאטהסטס באמצעות הסקריפט SMolInstruct.py שנמצא במאגר, בלי צורך באישור גישה מיוחד. המאגר מכיל קובץ data.zip שממנו נפרקות הדגימות, וכולל מזהה ייחודי לכל רשומה. כברירת מחדל הנתונים נטענים בפורמט סמייליס, אך אפשר להעביר דגל מפורש כדי לקבל ייצוגי סלפיס. אפשר גם לטעון רק משימות ספציפיות מתוך ה־14, לשלוט על הוספת תגיות הליבה, או להשתמש בתת-קבוצת בדיקה מצומצמת של עד 200 דוגמאות למשימה כדי לקצר זמני בדיקה.

from datasets import load_dataset

ds = load_dataset("osunlp/SMolInstruct")

הרישיון

המאגר מופץ תחת רישיון cc-by-4.0. המשמעות היא שמותר להשתמש בו לצרכים מסחריים ומחקריים, לשנות אותו ולבנות עליו מודלים, כל עוד נותנים קרדיט מתאים ליוצרים מאוניברסיטת אוהיו סטייט. אין חובה לשתף את המודלים המאומנים תחת אותו רישיון.

• שימוש מסחרי
• שינוי הקוד
• חובת ייחוס

הרישיון המלא ב־Hugging Face ↗