Chem World：80万分子级大规模基准与物理信息框架，构建可信AI化学
【前沿科学转载】
化学性质预测在加速化学、材料科学和药物研发的科学发现中扮演着关键角色。然而，现有基准普遍存在任务多样性不足、数据集碎片化、评估协议不一致等问题，使得系统评估AI模型的可靠性与泛化能力变得困难，也制约了”可信AI”在计算化学领域的落地。
7月30日发表于arXiv的论文提出了Chem World——一个全面的化学性质预测基准。该基准整合了17个多样化的化学数据集，包含超过80万个分子样本，覆盖密度、电导率、溶解度等多种分子性质，为跨多个性质预测任务评估AI模型提供了统一平台。
研究团队还提出了Mixture-PINN——一个基于物理信息神经网络（PINN）的预测框架，将化学先验知识融入数据驱动学习，显著提升了化学性质预测的准确性、鲁棒性和可靠性。大规模实验表明，该方法在Chem World基准上优于现有方法。
通过将大规模标准化评估与物理信息学习相结合，Chem World为开发面向计算化学的可信AI系统奠定了基础，为AI驱动的科学发现提供了新的基础设施。这项工作是”AI for Science”在化学领域的重要推进，有望成为该领域未来的标准评测平台。
来源：
📄 arXiv:2607.28079 — “Chem World: A Large-Scale Benchmark and Physics-Informed Framework for Trustworthy Chemical Property Prediction”
👥 作者：Tianyou Bai, Huan Wang, Mingchen Gao, Fangyue Lin, Pinze Ren 等
🏷️ 分类：cs.LG（机器学习）
📅 提交日期：2026-07-30