本研究提出了一种基于 DSL 和强化学习的神经程序合成方法，通过运行时语义相似性奖励实现了化学反应过程的模拟，从而获得了88％的准确性提升。

Apr, 2022

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

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

提出了一种新颖的生成式人工智能方法来自动识别流程图中的错误并向用户提出更正建议，即自动更正流程图。通过在合成数据集上进行监督训练，模型在一个独立的合成流程图测试数据集上达到了80%的top-1准确率和84%的top-5准确率。研究结果表明该模型能够学习自动更正合成流程图，将为化学工程师提供一个有用的工具。

Dec, 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

利用Monte Carlo Tree Search (MCTS)框架和大型语言模型 (LLMs)自动生成解决步骤和评估信号，训练一个逐步价值模型以提高LLM在数学领域中的推理过程。实验证明，采用LLMs结合MCTS自动生成的解决方案显著提高了模型处理复杂数学推理任务的能力。

May, 2024

通过使用基于transformer的生成神经网络架构的ChatGPT和其他大型语言模型（LLM）在自然语言处理和图像合成等领域的惊人成功，许多研究人员对过程系统工程（PSE）中的潜在机会感到兴奋。然而，尽管它们在某些任务中非常有用，如撰写文件的初稿、代码编写辅助、文本摘要等，但它们在高度科学领域的成功受限于缺乏深度领域知识而无法推理、规划或解释。在这篇论文中，我们讨论了在化学工程领域开发这种系统面临的挑战和机遇。

May, 2024

我们提出了一种新颖的分而治之式蒙特卡洛树搜索（MCTS）算法OmegaPRM，用于有效地收集高质量的过程监督数据，进一步提高了指导调优的Gemini Pro模型在数学推理性能上的成功率，相较于现有方法，我们的方法在财务和计算上都具有成本效益。

Jun, 2024

本研究针对化工和过程工业中的复杂问题，提出了一种名为过程工程操作助手（PEOA）的AI驱动框架。该框架通过元代理协调模块化架构，实现了将复杂问题分解为子任务，并利用专家模型提供精准的多步骤问题解决方案，其关键技术包括先进的知识建模和教师-学生迁移学习，有效提升了工业过程的自动化和决策支持能力。

Aug, 2024

本研究解决了化学和过程工业中对于过程流图和管道与仪表图的理解及解读不足的问题。提出了一种安全的企业级解决方案，使用层次化、多智能体的检索增强生成框架，通过开源小规模多模态模型进行分析，实现数据隐私、可解释性和成本效益的提升。实验结果表明，该方法在开放域问答任务中具有显著的有效性。

Aug, 2024