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

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

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

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

這項研究旨在從科學文獻中有效收集金屬有機框架（MOFs）的實驗數據，以解決稀缺數據的問題，並提升材料科學中機器學習的應用質量。研究團隊利用先進的大型語言模型，系統化提取並整理MOF數據，成功從超過40,000篇文章中彙編出詳細的合成條件和性質數據。整理後的數據庫用於分析合成條件、性質和結構之間的關係，並創建合成條件推薦系統，為優化合成策略提供實用工具，顯示實驗數據集在推進MOFs研究中的重要性。 PubMed DOI

新合金設計是一個複雜的挑戰，通常需要專業知識和漫長的過程，包括數據檢索、計算方法、實驗驗證和結果分析。機器學習，特別是深度代理模型，可以加速這個過程，但傳統數據驅動模型缺乏靈活性。為了解決這些問題，我們推出了AtomAgents，一個具物理意識的生成式AI平台，透過多個AI代理協同工作，結合大型語言模型的優勢，能自主設計性能更佳的金屬合金，並在生物醫學材料、可再生能源等領域展現潛力。 PubMed DOI

這項研究提出了一種新方法來訓練大型語言模型（LLMs）進行材料建模，解決了實驗數據不足的問題。研究者利用基於物理的訓練流程生成大量合成數據，建立穩固的初始模型，然後再用有限的實驗數據進行微調。訓練分為兩個階段：先用豐富但準確性較低的合成數據進行預訓練，再用稀缺的實驗數據微調。這種方法在聚合物可燃性指標的建模中顯示出有效性，特別是在圓錐量熱計數據不足的情況下，突顯了預訓練的重要性。 PubMed DOI

大型語言模型在材料科學的應用大幅推進了新材料的開發。我們提出了一個新框架，利用這些模型來優化合成特定性質的量子點材料的實驗程序。這個方法結合了合成協議生成模型和性質預測模型，並基於開源的大型語言模型進行微調，使用我們的合成數據進行訓練。 過程中，首先生成針對特定性質的合成協議，然後用性質預測模型驗證其有效性。我們的實驗中產生了六種合成協議，其中三個成功改善了多項性質，顯示出我們框架在合成規劃中的有效性及多目標優化的潛力。 PubMed DOI

這篇論文探討了一種新方法，利用AI生成內容（AIGC）模型自動化生成和審查熱力學模擬程式碼，特別針對LAMMPS軟體。提出的分子動力學代理（MDAgent）框架，透過大型語言模型簡化模擬程式的創建、執行和優化。為了微調模型，開發了針對LAMMPS的熱力學模擬程式碼數據集，專家評估顯示MDAgent顯著提升程式碼生成和審查效率，平均減少42.22%的任務時間，顯示其在材料科學中的應用潛力。 PubMed DOI

這項研究用AI結合資料庫、語言模型和模擬技術，大幅加快氫化物固態電解質的發現。新方法找出有潛力、具新型離子遷移機制的材料，並能準確預測活化能。有些含碳氫化物的離子遷移障礙超低（最低0.62 eV），有助於快速篩選下一代電池材料。 PubMed DOI