全球最大量子化学数据集QCML问世，助力机器学习驱动的化学研究

摘要：研究团队发布了QCML数据集，该数据集包含33.5百万（M）个密度泛函理论（DFT）计算数据和147亿（B）个半经验计算数据，为量子化学和机器学习模型训练提供了前所未有的参考数据。

https://www.nature.com/articles/s41597-025-04720-7

研究团队发布了QCML数据集，该数据集包含33.5百万（M）个密度泛函理论（DFT）计算数据和147亿（B）个半经验计算数据，为量子化学和机器学习模型训练提供了前所未有的参考数据。

研究背景：

近年来，机器学习（ML）在计算化学领域得到了广泛应用，能够在无需昂贵的从头算（ab initio）计算的情况下预测化学结构的性质。然而，ML模型的预测质量高度依赖于训练数据的质量。目前已有的量子化学数据集往往存在局限性，例如仅包含特定类型的分子或结构，难以构建通用的机器学习力场。为解决这一问题，研究团队开发了QCML数据集，以系统性地涵盖多种化学结构和电子态，为量子化学模型提供更全面的训练数据。

研究方法：

QCML数据集基于17.2百万个化学图，通过构象搜索和正常模式采样生成平衡与非平衡3D结构。研究团队利用半经验方法（共147亿条数据）和密度泛函理论（共33.5百万条数据）计算分子性质，包括能量、力、多极矩及Kohn-Sham矩阵等。数据集涵盖多个元素类别，并采用自动化数据验证方法，以确保数据质量。

研究结果：

QCML数据集提供了目前最全面的量子化学参考数据，支持机器学习力场（MLFFs）的训练，并在分子动力学模拟中成功验证了其实用性。初步实验表明，该数据集有助于提高机器学习模型的预测能力，并有望推动新材料和药物的发现。QCML数据集已公开发布，供研究人员用于量子化学和机器学习研究。