Feb, 2024

催化剂设计和优化的人工智能工作流程

PDF
TL;DR该研究提出了一种创新的人工智能工作流，结合了大型语言模型、贝叶斯优化和主动学习循环，以加快和增强催化剂优化。该方法将先进语言理解与强大的优化策略相结合，将从各种文献中提取的知识有效地转化为可行的实验和优化参数。在本文中，我们展示了该 AI 工作流在氨合成催化剂优化中的应用，结果突显了该工作流在简化催化剂开发过程方面的能力，提供了一种快速、资源高效且高精度的替代传统方法的选择。
发现论文，激发创造
  • 化学文献数据挖掘自主大模型代理

    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

  • 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

  • 化学合成反应条件推荐的自动化 AI 代理

    药物行业的人工智能（AI）反应条件优化成为一个重要的话题，该数据驱动的 AI 模型可以帮助药物研发并加速反应设计。本文提出了一个大型语言模型（LLM）强化的 AI 代理，以填补现有 AI 模型不具备化学洞察力和获取实时知识的缺陷。通过引入先进的智能增强方法，如上下文学习和多 LLM 辩论，AI 代理可以借鉴人类的洞察力并通过搜索最新的化学文献来更新知识。此外，我们引入了一种基于粗略标签对比学习（CCL）的化学指纹，大大提高了代理在优化反应条件方面的性能。经过以上努力，所提出的 AI 代理能够自主地生成最佳的反应条件推荐而不需要任何人类交互。此外，该代理在化学反应方面表现出高度专业性，同时在干实验室和湿实验室实验中显示出接近人类的性能和强大的泛化能力。作为化学 AI 代理的首次尝试，本研究在 “化学 AI” 领域取得了进一步的进展，并为计算辅助合成计划开启了新的可能性。

    Nov, 2023

  • CataLM: 通过大型语言模型强化催化剂设计

    利用人工智能，该研究引入了 CataLM Cata} lytic Language Model，它是面向电催化材料领域的大型语言模型，展示了在催化剂知识探索和设计方面提供协作的巨大潜力，并为催化剂的发现和发展提供了创新途径。

    May, 2024

  • 蒙特卡洛思维搜索：大型语言模型在催化剂设计中进行复杂科学推理

    通过蒙特卡洛树搜索方法与科学推理，提出了一种新的驱动组合搜索的方法，可以增强科学家的推理和发现过程。

    Oct, 2023

  • 上下文学习的贝叶斯催化剂优化

    为了实现无特征或结构调整的上下文学习回归，我们展示了一个提示系统，结合了不确定性，使得大语言模型能够以自然语言处理的方法进行催化剂或分子优化的贝叶斯优化，从而消除了训练或模拟的需要。

    Apr, 2023

  • 基于代理的从科学文献中学习材料数据集

    通过使用大型语言模型（LLMs）创建化学家 AI 代理程序，本研究克服了通过自动创建从自然语言文本中提取结构化数据集所面临的质量和一致性问题、可扩展性限制、以及人为错误和偏见的风险，进而简化了各种材料发现应用的机器学习数据集的编制，以及对自然语言处理工具的易用性提升。

    Dec, 2023

  • 基于多准则贝叶斯优化与表示学习的自适应催化剂发现

    通过高通量计算催化剂筛选方法，在高维度催化剂结构中实现自动化表征学习并具备原则性不确定性量化，探索二氧化碳还原反应的催化剂发现，实现了高预测准确性、可解释的特征提取以及多准则设计优化，大幅降低计算资源和时间成本（需要的密度泛函理论计算减少 10 倍）来进行高性能催化剂的发现。

    Apr, 2024

  • 多目标优化与主动学习完全自主材料设计框架：挑战和下一步

    利用多目标黑盒优化的主动学习过程，在实时流数据和模块化多目标优化软件开发技术支持下，实现了自动化连续流化学实验室的自治操作，为电解质生产提供了理想的制造条件。

    Apr, 2023

  • 推动人工智能和人类共同创造，加速材料发现

    通过机器学习和 AI 技术，提出了一个支持领域和流程知识管理，结合人工智能协作的工作台框架，以减少时间和机会成本的目的，实现化学空间探索的新型功能材料的发现。

    Nov, 2022