ChatMOF 是一个自主的人工智能系统，利用大规模语言模型（gpt-3.5-turbo）来预测和生成金属 - 有机框架。研究探讨了在材料科学中使用大型语言模型的优点和限制，并展示了其对未来发展的变革潜力。

Aug, 2023

本文提出了一种基于大型语言模型的框架（MolReGPT），通过检索式提示范式在上下文中进行少量评估，并利用分子相似性原理从本地数据库检索类似分子及其文本描述来启用 LLMS，用于分子说明翻译以促进分子发现

Jun, 2023

本研究基于人 - AI 交互合作，整合了 AI 模型 GPT-4 到网状化学实验的迭代过程中，通过自然语言开发和操作实现。使用 GPT-4 提供的详细指导进行实验，与学徒提供实验结果反馈进行文本学习，从而实现像有经验的化学家那样的快速学习策略。该工作流程在合成多种优化条件的金属有机骨架时表现出潜在的广泛应用前景。

Jun, 2023

本研究利用 LLaMA2-7B 模型，结合 13,878 件结构化材料知识数据，通过学习过程增强了 MatChat AI 模型，以预测无机材料合成路径。尽管 MatChat 还需要进一步完善以满足不同的材料设计需求，但本研究无疑突出了其出色的推理能力和在材料科学领域的创新潜力，同时以开源方式提供了 MatChat 的模型和应用框架，为将生成式人工智能与材料科学整合的协作创新奠定了坚实的基础。

Oct, 2023

该研究展示了 GPT-4V 的卓越能力，在金属有机框架方面的搜索和数据获取方面尤其出色。通过自动将 346 篇学术文章转化为 6240 张图像，并运用 GPT-4V 进行自然语言提示分析，该方法在判断和解释关键图表（如氮吸附等温线、PXRD 谱图和 TGA 曲线等）方面的准确率和召回率都在 93% 以上，强调了模型在数据挖掘中的能力和对化学等领域中数字化数据库建设的潜力。此外，从选定文献中提取的氮吸附等温线数据为 200 多个化合物的理论和实验多孔性数值提供了比较，凸显了一些差异并强调了整合计算和实验数据的重要性。该研究突出了人工智能在加速科学探索和创新、弥合计算工具与实验研究之间差距、以及推动更高效、更全面和更包容的科学研究的潜力。

Dec, 2023

本研究提出了 ChatExtract 方法，该方法利用先进的会话型 LLM（或 AI）自动提取数据，并通过一系列后续问题确保其正确性。 ChatExtract 可用于任何会话型 LLMs，结果表明，由于其简单性，可转移性和准确性，类似 ChatExtract 的方法有望在不久的将来取代其他数据提取方法。

Mar, 2023

ChatDrug 是一种基于会话大型语言模型（LLMs）的药物编辑框架，该模型联合使用提示模块、检索域反馈（ReDF）模块和会话模块，以实现有效的药物编辑，其在 33 项药物编辑任务中表现最佳，并可以从领域特定的角度提供有启发性的解释，为制药研究和发展的推进铺平了道路。

May, 2023

探索大型语言模型 (LLMs) 在医学应用方面的潜力，特别是在药物监测事件提取方面的 ChatGPT 的能力。我们进行了广泛的实验，评估了 ChatGPT 在药物监测事件提取任务中的性能，并采用了各种提示和演示选择策略。研究结果表明，虽然 ChatGPT 在适当的演示选择策略下表现出了合理的性能，但与完全微调的小型模型相比仍然有所不足。此外，我们探索了利用 ChatGPT 进行数据增强的潜力。然而，我们的研究发现将合成数据引入微调可能会导致性能下降，可能是由于 ChatGPT 生成的标签中存在噪声。为了减轻这个问题，我们探索了不同的过滤策略，并发现在适当的方法下可以实现更稳定的性能，尽管不断改进仍然具有挑战性。

Feb, 2024

我们通过实证分析了 ChatGPT 在无人辅助编程助手方面的潜力，并强调了其相对程序生成、程序修复、代码摘要方面的表现，并对其在常见编程问题上的表现进行了评估，这证明 ChatGPT 有效地处理典型的编程挑战，但我们也发现，综合的描述可能会限制 ChatGPT 的关注点并阻碍其利用其广泛的知识进行问题解决。

Apr, 2023

本研究探讨了 ChatGPT 在机械工程学科中的能力，并通过使用大学提供的初级和高级机械工程考试题目以及机械工程基础考试（FE）的模拟题目，分析了两个 ChatGPT 模型的回答。结果发现，付费订阅模型（GPT-4）在正确率上远远超过免费版本（GPT-3.5），但由于两个模型仅支持文本输入，因此都不太可能通过 FE 考试。研究结果确认了 ChatGPT 在文献中关于错误类型和陷阱的发现，其最适合具有专业知识的用户使用。

Sep, 2023