ChatGPT 模型有潛力革新回答複雜問題的方式，但在化學領域的應用仍然很新穎。這個觀點探討了 ChatGPT 在化學領域的理解程度，透過在該科目各個領域進行五個簡單任務的測試。 PubMed DOI

研究指出，透過提示工程引導 ChatGPT 從科學文獻中找出金屬有機骨架（MOF）的合成條件，解決虛假資訊問題。系統成功提取合成參數，精確度高，並使用機器學習模型預測 MOF 實驗結果準確率超過 87%。這方法簡化了化學數據提取整理，不需專業知識，潛力廣泛。 PubMed DOI

GPT-4與人類合作，將人工智慧融入骨架化學實驗，透過指示與回饋的互動，共同發現新材料。這種合作展現了大型語言模型如GPT-4提升科學研究效率的潛力。 PubMed DOI

材料科學中，機器學習遇到數據集建立和描述符設計挑戰。圖神經網絡如CGCNN能處理幾何信息，不需經驗描述符。GPT-4可協助建立數據庫。研究中，GPT-4從文章中提取數據，CGCNN模型準確度達0.77。模型預測40,000種材料的發射波長，並進行遷移學習微調。這種流程減少人工監督，適用於各領域。 PubMed DOI

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

科學文件中的化學資訊可用來深入了解。自動提取方法目前使用機器學習，但性能、可轉移性和擴展性有限。ChemREL是一個表現優異的新工具，能高準確地提取熔點和LD50值。比現有方法和GPT-4更好，整體F1分數達95.4%。ChemREL是開源的，旨在增進化學資訊提取，促進新發現。 PubMed DOI

ChatGPT-4是一個先進的AI模型，經過訓練後能夠產生有連貫上下文的文字。它可以回答問題，對材料科學、合成化學和藥物發現等領域有幫助。最近的研究中，ChatGPT-4成功解決了分析化學、光譜學、生物影像超分辨率和電化學等問題。儘管能夠自主完成一些任務，但較複雜的任務仍需要人類幫助。這個AI能夠生成MATLAB代碼，即使原作者未提供代碼。研究強調驗證和反饋的重要性，確保科學研究的正確性和透明度，尤其是在高級數據處理方面。 PubMed DOI

EnzChemRED是一個新資料集，旨在透過自然語言處理技術，提升從科學文獻中提取酶相關資訊的能力。該資料集包含1,210篇專家策劃的PubMed摘要，並標註了酶及其化學反應的識別碼。研究顯示，使用EnzChemRED微調的語言模型在識別蛋白質和化學物質方面表現優異，F1分數達86.30%。此外，這些模型在提取化學轉換和相關酶的能力也相當強大，為酶功能的策劃提供了有力支持。 PubMed DOI

大型語言模型（LLM）技術為合成化學帶來了新機會。我們開發了一個基於LLM的反應開發框架（LLM-RDF），利用GPT-4簡化化學合成任務。這個框架包含六個專門的代理，能執行文獻搜尋、實驗設計、硬體執行等功能。我們還創建了一個網頁應用程式，讓化學家能用自然語言與自動化實驗平台互動，無需編碼技能。LLM-RDF在銅/TEMPO催化的醇類氧化反應中展現了其完整的合成開發能力，並在多種反應中證明了其廣泛適用性。 PubMed DOI

這項研究探討如何利用大型語言模型（LLMs）從專利文件中提取高品質的化學反應數據，以解決人工智慧設計新分子的合成挑戰。結果顯示，這種自動化方法能增加26%的反應數據，優於以往的努力。此外，研究也指出反應挖掘中的挑戰並提出解決方案。分析顯示，先前的數據集存在不準確的問題，強調新管道在提升化學反應數據庫的數量和質量方面的潛力，未來可能促進更準確的合成預測模型。 PubMed DOI