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

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。

Feb, 2024

本文研究利用大型语言模型（LLMs）解决复杂的化学问题的问题，提出了 InstructChem，一种新的结构化推理方法，极大地提升了 LLMs 的化学推理能力。

Nov, 2023

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

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

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

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

通过 ChemBench 等评估框架，我们发现大型语言模型在化学科学中展示出卓越的能力，但仍需进一步研究以提高其安全性和实用性。

Apr, 2024

为了提高化学反应预测准确性，这项研究介绍了一种数据筛选的自我反馈知识引导方法，将先前的知识融入大型语言模型，取得了显著的预测准确度提升，同时拓展了多任务化学反应的处理能力。

Apr, 2024

新技术对于大规模采用风能和太阳能等可再生能源是必要的。发现适合的催化剂对于使能量储存更具成本效益和可扩展性至关重要。这项研究旨在评估使用更轻量级方法在这一任务中获得的性能和洞察力，以鼓励来自不同背景的个人的参与。通过实施稳健的设计模式，如几何和对称的信息传递，我们能够训练一个 GNN 模型，在仅使用一小部分可训练参数的情况下，达到了 0.0748 的平均绝对误差，与 SchNet 和 DimeNet++ 等已建立的模型架构相媲美。

Apr, 2024