Jun, 2023

GPT-4 网状化学家用于 MOF 发现

PDF
TL;DR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。
gpt-4reticular chemistryhuman-ai interactionprompt-learning strategymetal-organic frameworks
发现论文，激发创造
  • 利用 GPT-4V 进行网孔化学中的图像和数据挖掘

    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

  • ChatGPT 化学助手用于文本挖掘和 MOF 合成预测

    采用指令工程来指导 ChatGPT 在多样化的科学文献格式和风格中自动化地进行金属有机骨架合成条件的文本挖掘，该方法有效缓解了 ChatGPT 在科学领域中使用大型语言模型困难的问题，从而实现了令人印象深刻的准确性和精度。

    Jun, 2023

  • GPT-Lab: GPT 驱动的机器人实验室的下一代最佳化学发现

    GPT-Lab 使用 GPT 模型使机器人具备与人类智能相似的能力，在化学实验中挖掘文献的材料和方法，并通过高通量合成验证发现，展示了我们系统在材料发现和验证方面的快速潜力。

    Sep, 2023

  • ChatMOF: 用于预测和生成金属有机框架的自主人工智能系统

    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

  • 用于网状化学的单跳和多跳问答数据集的 GPT-4-Turbo

    人工智能和自然语言处理的快速发展导致了大规模数据集的生成，该研究旨在评估机器学习模型在网状化学领域中的能力。RetChemQA 是一种全面的基准数据集，包括单跳和多跳问题 - 回答对，共约 45,000 个每种类型。该数据集使用 OpenAI 的 GPT-4 Turbo 生成，旨在为网状化学社区的高级机器学习算法的开发和评估提供强大的平台。

    May, 2024

  • 基于大型语言模型的分子发现与翻译: ChatGPT 视角

    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

  • GPT-4 作为研究人员和计算软件之间的接口：提高可用性和可重复性

    GPT-4 在计算材料科学中应用可以解决科学软件采用自定义输入语言的挑战以及由于描述模拟方法不足导致的研究结果复现性差的问题，通过生成正确的输入文件和详细的计算任务描述，减少研究者常规任务、加速新用户培训并提高结果可复现性。

    Oct, 2023

  • GHP-MOFassemble：基于扩散建模、高通量筛选和分子动力学的合理发现大规模碳捕获的新型金属有机框架

    使用生成式人工智能、图形建模、大规模分子动力学模拟和极端规模计算相结合的新方法，加速发现高 CO2 容量的金属有机框架结构。

    Jun, 2023

  • CHEMREASONER: 采用量子化学反馈的大规模语言模型知识空间的启发式搜索

    我们通过将计算机辅助筛选框架与语言推理和量子化学相结合，创造性地实现了人工智能加速的可靠催化剂发现。

    Feb, 2024

  • GPT 模型在化学方面能做什么？八项任务的综合评估

    本文针对大语言模型在化学领域能力的未知，建立起一个包含 8 个化学实践任务的全面基准，运用 GPT-4、GPT-3.5 和 Davinci-003 三种 GPT 模型以零样本和少样本的情境下进行测试，发现 GPT-4 相较于其他两种模型表现更佳，而 GPT 模型在需要精确理解分子 SMILES 表示的任务中较为欠缺，而在文本相关的说明任务方面表现出较强的能力。

    May, 2023