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

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

ChemLLM 是第一个专门用于化学领域的大型语言模型，通过使用结构化化学知识构建对话系统，能够在化学学科中顺畅交互完成各种任务，包括名称转换、分子标题和反应预测，并在相关数学和物理任务中展现出出色的适应性。

Feb, 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

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

化学和人工智能的交叉领域是一个积极研究的领域，旨在加速科学发现；该研究聚焦于机器翻译化学语言和分子模型，并采用一种新的训练方法，通过对比优化来提高模型性能。

May, 2024

LLMatDesign 是一个基于大型语言模型的可解释材料设计框架，通过使用 LLM 代理来翻译人类指令、修改材料并使用提供的工具评估结果，以零样本的方式适应新任务和条件，通过在几个材料设计任务上系统评估证实其在小数据领域中开发具有用户定义目标属性的新材料的有效性，展示了在计算环境中基于自主 LLM 引导的材料发现对于未来的自动化实验室的显著潜力。

Jun, 2024

使用先进的优化算法和非线性融合，通过少量数据实现科学大语言模型的性能提升和新的最佳水平，并引入细粒度的评估方法来评估大语言模型中的虚构能力和促进负责任的使用。

May, 2024

本研究探索使用精细调整的大型语言模型（LLMs）自动化系统性文献综述（SLRs），提出了将人工智能与学术研究方法相结合的重要和创新贡献。通过采用最新的精细调整方法和开源的 LLMs，我们展示了一种实用高效的自动化 SLR 过程的方法，包括知识综合的最终执行阶段。研究结果在 LLM 响应的事实准确性方面保持了很高的保真度，并通过对现有符合 PRISMA 的 SLR 的复制进行了验证。研究提出了减轻 LLM 虚幻感的解决方案，并提出了追踪 LLM 响应与信息来源的机制，从而证明了这种方法如何满足学术研究的严格需求。最终的发现证实了精细调整的 LLMs 在简化各种劳动密集型的文献综述过程方面的潜力。鉴于这种方法的潜力及其在所有研究领域的适用性，这项基础研究还呼吁更新 PRISMA 报告指南以整合 AI 驱动的过程，确保未来 SLRs 的方法透明性和可靠性。该研究拓宽了 AI 增强工具在各学术和研究领域的应用，为在日益增长的学术研究数量面前以更高效的方式进行全面准确的文献综述设立了新的标准。

Apr, 2024