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

這項研究探討了微調大型語言模型（LLMs）在預測化學性質上的潛力，並指出其相較於傳統機器學習方法的優勢。研究中微調了GPT-J-6B、Llama-3.1-8B和Mistral-7B等模型，結果顯示在簡單的分類任務中，LLMs的表現通常優於傳統模型。將化學數據集轉換為LLM訓練格式相對簡單，即使是小型數據集也能有效預測。這些發現顯示，LLMs有潛力提升化學研究的實驗和計算效率，幫助研究者減少不必要的工作。 PubMed DOI

ScholarChemQA 是一個新推出的學術化學問答數據集，旨在評估語言模型在化學領域的表現。這個數據集來自化學論文，問題取自論文標題，並根據摘要提供多選答案。為了應對數據不均和未標記數據的挑戰，開發了 ChemMatch 模型，能有效回答化學問題。實驗顯示，儘管大型語言模型已有進展，但在化學任務上仍有改進空間。ChemMatch 在基準測試中表現優於其他模型，顯示其有效性。更多資訊可參考 GitHub 連結：https://github.com/iriscxy/chemmatch。 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

這項研究介紹了MaTableGPT，一個基於GPT的工具，專門從材料科學文獻中的表格提取數據，特別針對水分解催化劑。傳統的提取方法因表格格式多樣而不夠有效。MaTableGPT透過改進的數據表示和分割策略，提升理解能力，提取準確率高達96.8%。研究比較了零樣本、少樣本和微調學習方法，發現少樣本學習在準確性和成本上達到最佳平衡，提取準確率超過95%。此外，MaTableGPT建立的數據庫為催化劑的過電位和元素利用率提供了重要見解。 PubMed DOI