探索中COMPUTATIONAL CHEMISTRY
从结构到性质的计算
在什么条件下，一个计算结果可以被当作化学证据使用？
关注描述符、分子表示与性质计算，理解不同方法的假设、适用范围与误差来源。
计算不是答案
从结构预测性质，是人工智能化学最直接被期待的能力之一。但一个数字是否有意义，取决于方法、数据与问题是否匹配。相同的数据集上，不同的划分方式可能得到完全不同的结论。
我们更关心方法的前提：它假设了什么？训练数据覆盖了哪些化学空间？误差在什么情况下会变大？这些问题不解决，模型分数只是数字。
从可靠数据开始
性质预测的上限由数据决定。来源不明、单位不统一或实验条件缺失的数据，会让模型学到错误的规律。MolScience 的数据工作因此不是“为 AI 准备数据”这么简单，而是先让数据本身可被判断。
在这个基础上，我们学习描述符、指纹与经典模型，也学习如何设置合理的基线。一个简单的基线往往比复杂的模型更能说明问题是否真的存在。
把不确定性说出来
预测值不应该以确定性的口吻呈现。我们会尝试表达置信区间、适用域或至少是模型已知的失效条件，让使用者知道什么时候应该回到实验或文献。
这也是团队对 AI 的基本态度：它是一个很强的工具，但不是事实的来源。
方法与关注点
- 分子描述符与指纹
- 传统机器学习与基线模型
- 数据划分、泄漏检查与模型评价
- 预测不确定性的表达
边界与限制
- 现阶段以学习、复现和小规模实验为主，没有已发表的模型成果。
- 不把基准数据集上的分数直接外推为真实科研能力。
- 计算值与实验值的差异需要化学解释，不能只靠统计指标。
探索中
研究主题会随着项目与阅读推进而调整。这里展示的是当前的理解，不是最终结论。