CataLM: 通过大型语言模型强化催化剂设计
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
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
我们提供一个对大型语言模型在材料科学研究中的适用性的观点,认为它们处理一系列任务和学科中的模糊需求的能力使它们成为帮助研究人员的强大工具。我们定性地研究了基础的大型语言模型理论,并将其与文献中的相关性质和技术联系起来,然后提供了两个案例研究,展示了它们在大规模任务自动化和知识提取中的应用。我们认为,在当前的发展阶段,大型语言模型应该被视为能够加速和统一领域探索的不知疲倦的工具,而不是新见解的神谕。希望本文能让材料科学研究人员了解到运用这些工具的相关概念。
Mar, 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
大规模语言模型(LLMs)在化学领域中以其准确预测性能、设计新分子、优化合成路径和加速药物和材料发现等能力成为一个强大的工具。本综述讨论了 LLMs 的历史、性能、设计以及在化学领域的挑战和未来方向,特别关注于代理人(agents)及其作为一个跨化学模式的出现。代理人在化学的各个领域中表现出了很好的效果,但依然存在挑战。开发面向特定领域的代理人和开发自主流程与 “副驾驶” 系统的对比对于加速化学进程尚不清楚。一种新兴的方向是开发使用人工智能辅助的多代理人系统。由于该领域的快速发展,已经建立了一个仓库,以追踪最新研究。
Jun, 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
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
本文提出了一种结合基于知识的 LLMs 因果分析和数据驱动因果结构学习的新框架,以构建因果结构学习的新范式,并介绍了一套广泛的提示组,以从给定变量中提取因果图,并评估 LLM 先前因果对从数据中恢复因果结构的影响
Jun, 2023