ChatMOF: 用于预测和生成金属有机框架的自主人工智能系统
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
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
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
我们提出了一个全面的知识图谱问答材料科学(KGQA4MAT)的基准数据集,重点关注金属有机框架(MOFs)。通过整合结构化数据库和从文献中提取的知识,构建了金属有机框架知识图谱(MOF-KG)。为了提高专家查询 MOF-KG 的可访问性,我们旨在开发一个自然语言接口。我们开发了一个包含 161 个复杂问题的基准,涉及比较、聚合和复杂的图结构。每个问题重新表述为另外三个变体,总共有 644 个问题和 161 个 KG 查询。为了评估基准,我们开发了一种系统方法,利用 ChatGPT 将自然语言问题翻译成形式化的 KG 查询。我们还将该方法应用于著名的 QALD-9 数据集,展示了 ChatGPT 在不同平台和查询语言上解决 KGQA 问题的潜力。该基准和提出的方法旨在促进进一步研究和开发用户友好高效的领域特定材料科学知识图谱查询接口,从而加速新材料的发现。
Sep, 2023
利用知识图谱方法帮助金属有机骨架预测、发现和合成,主要围绕构建 MOF 知识图谱和利用该图谱发现新知识的挑战和案例研究展开。
Jul, 2022
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
通过分析 150 个具有 10 个金属节点和 15 个有机配体的假设金属 - 有机框架(MOF)结构,我们比较了不同的 QNLP 模型来处理 MOF 数据集,确定了最有效的方法,并开发了适用于量子电路概率性质的多类别分类模型,展示了使用量子计算进行材料设计的潜力。
May, 2024
通过大型语言模型技术,我们提出了一种全面的人工智能代理框架,能够高度准确地从大量化学文献中提取信息,实现化学文献的自动化处理,从而节省人力资源并提升性能。这一方法在化学文献处理方面具有重要的实践价值,并展示了人工智能在化学数据管理和利用方面的潜力。
Feb, 2024