近年AI for Science（科学智能）已成为全球科技领域的核心赛道，其中计算化学、分子模拟相关技术的突破，正在重构药物研发、新能源材料、精细化工等领域的创新路径。而量子化学计算成本高、周期长的痛点，始终是限制相关技术规模化落地的核心瓶颈，覆盖维度全、标注质量高的量子力学性质数据集，是训练高精度机器学习势函数、开发通用分子力场的核心基础设施，长期以来存在较大的行业供给缺口。
2026年5月14日，字节跳动团队在预印本平台arXiv正式发布开源大规模量子力学性质集合THEMol（Torsion, Hessian, Energy of Molecules），瞄准这一行业核心需求。据公开信息显示，该数据集专注于闭壳层有机分子，最大支持涵盖50个重原子的分子结构模拟，是目前全球范围内规模领先的开源量子化学数据集之一。
THEMol数据集的内容维度覆盖分子研究的核心需求，包含超过300万优化几何结构的Hessian矩阵子集、近1亿约束几何结构的扭转扫描子集，以及总计约30亿次DFT（密度泛函理论）计算的弛豫轨迹子集，数据来源整合了UniChem等全球权威公共数据库及字节跳动自研的专有分子集合。其创建流程经过了系统化的设计：通过分子片段化、质子化状态枚举、构象生成完成分子样本的全覆盖，采用B3LYP-D3(BJ)/DZVP理论级别的量子化学计算完成数据标注，同时实施了严格的自旋态过滤、样本去重和几何收敛性质量控制，确保所有数据的科学性和准确性。
据官方介绍，该数据集旨在为分子力学和机器学习势函数的开发提供坚实的基础数据支撑，其可应用的场景覆盖多个前沿产业领域：在药物发现领域，可支撑小分子先导化合物的靶点结合力预测、代谢稳定性模拟、毒理特性预判等模型的训练，大幅降低临床前药物筛选的实验成本，缩短研发周期；在新能源领域，可用于锂电池电解质分子的溶剂化结构模拟、离子液体的导电性能优化，加速新型储能材料的研发迭代；在精细化工领域，还可支撑特种高分子材料、工业催化剂的分子结构设计，降低实体实验的试错成本。
作为科技企业参与前沿科研基础设施建设的典型案例，THEMol数据集的开源不仅填补了国内大规模量子化学开源数据集的供给空白，也为AI for Science领域的产学研协同创新提供了新的范本，将进一步推动数据要素在前沿科研和产业创新领域的价值释放，助力我国在计算化学、生物医药等交叉赛道的技术竞争力提升。
查看THEMol (Torsion, Hessian, Energy of Molecules)
详情页内容：
_1769672084863.jpg)