/ Модель

Характеристики

Контекст
502 токена
Параметры
15,1 млн
Лицензия
MIT
Архитектура
modernbert · dense
Библиотека
transformers
Опубликована
14 авг 2025

MolEncoder

Заполнение пропусковТекст → текст3 профессии

Энкодер ModernBERT, предобученный на SMILES для получения молекулярных представлений и последующего предсказания свойств молекул.

740скачиваний за 30 дней0лайковвеса обновлены19 ноя 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MolEncoder — химическая языковая модель на основе энкодерного трансформера ModernBERT, разработанная для изучения стратегий предобучения молекулярных представлений. Модель содержит около 15,1 млн параметров и обучена на masked language modeling по строкам SMILES примерно для миллиона молекул из ChEMBL. Символьный токенизатор охватывает словарь SMILES, а длина контекста составляет 502 токена.

Основной сценарий применения — дообучение на наборах данных для предсказания свойств молекул. В работе над моделью исследовались доля маскирования, размер модели и объём данных; авторы сообщают, что повышенная доля маскирования, около 30%, эффективна для молекул. Модель распространяется по лицензии MIT. Для прикладных задач обычно требуется дообучение на целевых данных.

Сценарии применения

  • дообучение для предсказания физико-химических свойств молекул
  • оценка активности молекулярных соединений на размеченных наборах данных
  • получение контекстных представлений строк SMILES
  • исследование стратегий маскирования для предобучения молекулярных моделей

Ограничения

Для предсказания целевых свойств модель предназначена для дообучения на соответствующих наборах данных. Карточка не приводит метрик качества на прикладных задачах.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MolEncoder

MolEncoder is a BERT-based chemical language model pretrained on SMILES strings using masked language modeling (MLM). It was designed to investigate optimal pretraining strategies for molecular representation learning, with a particular focus on masking ratio, dataset size, and model size. It is described in detail in the paper "MolEncoder: Towards Optimal Masked Language Modeling for Molecules".

Model Description

  • Architecture: Encoder-only transformer based on ModernBERT
  • Parameters: ~15M
  • Tokenizer: Character-level tokenizer covering full SMILES vocabulary
  • Pretraining Objective: Masked language modeling with optimized masking ratios (30% found to work best for molecules)
  • Pretraining Data: Pretrained on ~1M molecules (half of ChEMBL)

Key Findings

  • Higher masking ratios (20–60%) outperform the standard 15% used in prior molecular BERT models.
  • Increasing model size or dataset size beyond moderate scales yields no consistent performance benefits and can degrade efficiency.
  • This 15M parameter model pretrained on ~1M molecules outperforms much larger models pretrained on more SMILES strings.

Intended Uses

  • Primary use: Molecular property prediction through fine-tuning on downstream datasets

How to Use

Please refer to the MolEncoder GitHub repository for detailed instructions and ready-to-use examples on fine-tuning the model on custom data and running predictions.

Citation

If you use this model, please cite:

@Article{D5DD00369E,
author ="Krüger, Fabian P. and Österbacka, Nicklas and Kabeshov, Mikhail and Engkvist, Ola and Tetko, Igor",
title  ="MolEncoder: towards optimal masked language modeling for molecules",
journal  ="Digital Discovery",
year  ="2025",
pages  ="-",
publisher  ="RSC",
doi  ="10.1039/D5DD00369E",
url  ="http://dx.doi.org/10.1039/D5DD00369E"}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
ModernBertForMaskedLM
Ревизия весов
6e443fb

0 моделей