Evaluation of Open-Source Large Language Models for Metal-Organic Frameworks Research.
評估開源大型語言模型在金屬有機骨架研究中的應用。 J Chem Inf Model 2024-03-26

人工智慧工具如GPT-4在化學和材料研究中扮演重要角色。雖然GPT-4有進展，但科學界尚未廣泛使用大型語言模型。研究評估了六個開源的大型語言模型在金屬有機骨架（MOFs）研究中的表現，其中Llama2-7B和ChatGLM2-6B表現優異。高參數版本的模型表現更佳。 PubMed DOI

Generative Retrieval-Augmented Ontologic Graph and Multiagent Strategies for Interpretive Large Language Model-Based Materials Design.
生成檢索增強本體圖和多智能體策略用於解釋基於大型語言模型的材料設計。 ACS Eng Au 2024-04-22

Transformer神經網絡，特別是大型語言模型(LLMs)，在材料分析、設計和製造上很有效。它們能處理各種數據，支持工程分析，像MechGPT在材料力學領域表現出理解能力。檢索增強的本體知識圖表等策略可提高生成性能，解決困難。這些方法在材料設計探索中有優勢，並提供見解。非線性取樣和基於代理的建模增強生成能力，改進內容生成和評估。例如，問答、代碼生成和自動生成力場開發。 PubMed DOI

Text-to-Microstructure Generation Using Generative Deep Learning.
利用生成式深度學習生成文本到微觀結構的技術。 Small 2024-05-21

了解材料微結構對設計新材料很重要，但通常需要有經驗的設計師進行試誤。近年來，深度生成網絡的進步讓逆向設計材料微結構成為可能。一個新模型Txt2Microstruct-Net，可以直接從文本生成3D材料微結構，無需額外優化。這個模型經過大量數據訓練，能夠產生各種幾何表示。它在設計材料微結構和超材料方面表現出潛力，可能成為一個方便的工具，用於材料設計和發現。 PubMed DOI

Creation of a structured solar cell material dataset and performance prediction using large language models.
利用大型語言模型創建結構化太陽能電池材料數據集及性能預測。 Patterns (N Y) 2024-05-27

材料科學家常透過實驗數據來改進材料性能，但整合非結構化數據卻是挑戰。一項新研究提出「結構化信息推斷」（SII）任務，運用自然語言處理（NLP）處理此問題。透過文獻摘要和整理，將設備級信息轉換為結構化數據。經LLaMA微調後，成功達到87.14％的F1分數，更新鈣鈦礦太陽能電池數據集，並開發出預測太陽能電池性能的回歸任務，顯示出有潛力的結果。該研究凸顯了大型語言模型在科學知識和材料開發上的潛力。 PubMed DOI

AtomGPT: Atomistic Generative Pretrained Transformer for Forward and Inverse Materials Design.
原子級生成預訓練變壓器用於材料設計的正向和反向設計。 J Phys Chem Lett 2024-06-27

AtomGPT是一個新模型，使用變壓器架構設計來進行材料設計，展現了在預測材料性質和生成原子結構方面的潛力。它可以有效地預測形成能量和電子帶隙等性質，並為設計超導體等任務生成結構。這項工作突顯了大型語言模型在材料設計中的潛力，為材料的發現和優化提供了一種新方法。 PubMed DOI

Advancing materials science through next-generation machine learning.
透過下一代機器學習推進材料科學。 Curr Opin Solid State Mater Sci 2024-07-30

這段文字探討了機器學習模型的進展，特別是在電腦視覺和自然語言處理領域，像ChatGPT和Stable Diffusion等大型模型的影響。雖然在材料科學中，機器學習已在逆向設計和材料預測上取得進展，但現有模型仍過於專門，無法完全取代傳統工業流程。為了解決這個問題，建議開發一個全面的機器學習模型，能理解人類輸入並提供精確解決方案，並透過建立集中式數據集來訓練模型，以促進創新和查詢的便利性。 PubMed DOI

Automation and machine learning augmented by large language models in a catalysis study.
催化研究中自動化與機器學習輔助的大型語言模型。 Chem Sci 2024-08-09

最近，人工智慧和自動化的進展正在徹底改變催化劑的發現與設計，從傳統的試錯方法轉向更高效的高通量數位方法。這一變化主要受到高通量信息提取、自動化實驗、實時反饋和可解釋機器學習的驅動，促成了自駕實驗室的誕生，加速了材料研究的進程。近兩年，大型語言模型的興起也為這個領域帶來了更大的靈活性，改變了催化劑設計的方式，標誌著學科的革命性轉變。 PubMed DOI

Large Language Models as Molecular Design Engines.
大型語言模型作為分子設計引擎。 J Chem Inf Model 2024-09-04

小分子的設計對於藥物發現和能源儲存等技術應用非常重要。隨著合成化學的發展，科學界開始利用數據驅動和機器學習方法來探索設計空間。雖然生成式機器學習在分子設計上有潛力，但訓練過程複雜，且生成有效分子不易。研究顯示，預訓練的大型語言模型（LLMs）如Claude 3 Opus能根據自然語言指示創建和修改分子，達到97%的有效生成率。這些發現顯示LLMs在分子設計上具備強大潛力。 PubMed DOI

1.5 million materials narratives generated by chatbots.
150萬份由聊天機器人生成的材料敘述。 Sci Data 2024-09-28

人工智慧（AI）的發展推動了應用材料的研究，但常常只聚焦於文獻中常見的材料，限制了候選材料的多樣性。為了解決這個問題，研究團隊建立了一個包含1,453,493個自然語言-材料敘述的數據集，來自多個資料庫，確保元素的均衡代表性。這些敘述經過人類專家和GPT-4模型的評估，結果顯示兩者評分相似，但人類在內容深度上有所不足。這種數據與大型語言模型的結合，為AI在固態材料的探索和發現提供了新機會。 PubMed DOI

GenAI for Scientific Discovery in Electrochemical Energy Storage: State-of-the-Art and Perspectives from Nano- and Micro-Scale.
電化學儲能中的科學發現的 GenAI：納米和微米尺度的最新進展與展望。 Small 2024-10-09

電動車和可再生能源的發展需要在電化學儲能系統上取得進展，如燃料電池和鋰離子電池等。這些技術雖然前景看好，但面臨高成本和材料稀缺等挑戰。本研究提出一種新穎的生成式人工智慧整合方案，利用生成對抗網絡、自編碼器和大型語言模型，改善材料發現和電池設計等方面。研究強調納米和微米尺度的互動對提升效率和延長壽命的重要性，並探討GenAI在儲能領域的挑戰與未來方向，旨在促進可持續的能源解決方案。 PubMed DOI

原始文章

站上相關主題文章列表