通过对分子的图形和语义相关文本数据进行对比学习，我们提出了一个分子多模态基础模型，该模型结合了图形和自然语言的特定和互补信息，更好地抓住了分子的专业知识以及具备了从自然语言描述中生成有意义的分子图形的能力。

Sep, 2022

提出一种双向分子基础模型，通过一个模型进行分子结构和性质推断，在多模态和单模态任务中取得了最先进的性能和可解释的注意力图。

Nov, 2022

利用大型语言模型进行材料属性预测，通过引入模型MatInFormer，在加工空间群信息的关键词化过程中学习晶体学语法，并通过任务特定数据进一步展示MatInFormer的适应性。通过注意力可视化，我们揭示了模型在属性预测过程中重点关注的特征，并在14个不同数据集中验证了我们提出模型的有效性，从而强调其在通过准确的材料属性预测进行高通量筛选方面的潜力。

Aug, 2023

使用Transformer神经网络和大型语言模型进行材料分析、知识生成和力场开发的研究。

Oct, 2023

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

在科学领域，LLMs的幻觉问题是必须解决的，因为可重现性是至关重要的。本文介绍了LLaMP，这是一个多模态检索增强生成（RAG）框架，由多个数据感知推理和行动（ReAct）代理组成，动态与Materials Project（MP）上的计算和实验数据交互。LLaMP在不进行精细调整的情况下，能够理解和整合各种材料科学概念的多模态信息，实时获取相关数据，处理高阶数据（如晶体结构和弹性张量），并对固态合成的多步骤过程进行总结。同时，LLaMP能有效纠正GPT-3.5在频繁文档中的带隙和形成能量方面的错误，并将钻立方硅结构的虚幻体积应变从66.3％降低到0。该框架为材料信息学提供了一种直观且几乎无幻觉的方法，并为知识蒸馏和精细调整其他语言模型奠定了基础。我们设想该框架作为科学假设的有价值组成部分，并为未来的自主实验室奠定基础，多个LLM代理与机器人通信和协作，驱动材料合成和化学反应，无需硬编码的人类逻辑和干预。

Jan, 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

本研究解决了分子设计过程中由于分布转移而导致的挑战，提出了一种基于知识增强提示的策略来生成符合技术描述的分子。该方法使用特定任务的指令和少量示例，显著优于现有的基准模型，推动了零-shot文本条件的分子生成技术的发展。

Aug, 2024

该研究针对现有图深度学习方法在化学性质预测中的局限性，提出了一种多模态融合框架，结合了大型语言模型和图神经网络的优点。研究表明，该方法在分子属性预测的准确性和鲁棒性上显著优于现有基准，尤其在应对分布转移问题时表现突出。

Aug, 2024

本研究解决了大型语言模型（LLMs）在材料和分子属性回归任务中的应用问题。通过对Meta AI（LLaMA）3进行微调，使用仅基于组成的输入字符串预测分子性质，结果显示，该模型在某些任务上与传统材料属性预测模型相媲美，尽管其误差仍高于现有最优模型。这一发现表明LLMs的多功能性，展示了其在化学和材料科学等领域的潜在应用价值。

Sep, 2024