大型語言模型的AI工具展現了機器自主生成知識的潛力，是通往通用人工智慧的重要一步。機器能理解文獻、解釋數據、提出科學問題。雖然AI能自學，但人類協助可加速學習，如模擬人類分析數據或辨識模式。個人AI助理可協助用戶，尤其在特定任務，如材料科學研究。 PubMed DOI

藥物開發費用高達25億美元，討論了調整現有分子和創造新分子兩種方法。人工智慧在藥學領域帶來革命，尤其生成式人工智慧在藥物發現中備受矚目。探討了不同生成式人工智慧模型、應用、挑戰及潛力。強調了商業合作夥伴在藥物發現中的重要性。 PubMed DOI

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

這個工作整合了GPT-4語言模型與機器學習演算法，建立了一個人工智慧代理人，專門應用於OFETs。透過分析科學文獻，提取實驗參數，建立了一個龐大的OFETs資料庫。透過機器學習模型評估設備性能，提出了優化方案，改善了DP-DTT OFETs的電荷傳輸性能。這項研究展示了語言模型在有機光電器件領域的應用，拓展了研究可能性。 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

這項研究提出了雙策略材料智能設計框架（DSMID），旨在解決材料科學中小型數據集的挑戰，提升機器學習模型的準確性。框架結合了兩種方法：對抗性領域自適應嵌入生成網絡（AAEG），能在僅有90個數據點的情況下改善材料特徵化；自動化材料篩選與評估管道（AMSEP），利用大型語言模型高效篩選合金設計。實驗顯示，該框架在新型共晶高熵合金的識別和製備上表現出色，顯著提升了材料設計的效率與成本效益。 PubMed DOI

隨著對能源儲存電池需求的增加，廢電池處理的環境問題也日益受到關注。有效回收貴重金屬如鎳、鈷和錳至關重要，但傳統水冶金方法常用有害化學物質。研究提出結合天然多酚作為環保沉澱劑，並利用GPT-4優化回收過程。結果顯示，單寧酸對金屬離子的沉澱率分別達94.8%、96.7%和96.7%，超越傳統方法。這一創新不僅提高效率，還促進環境可持續性，展現人工智慧與綠色化學結合的潛力。 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

這份報告探討了X-LoRA-Gemma大型語言模型（LLM）的應用，這是一個擁有70億參數的多代理生成式人工智慧框架，專注於分子設計。模型結合人類與AI的合作，透過雙重推理策略來優化分子互動，並使用主成分分析等技術識別目標性質。生成的候選分子顯示出預期的特性，報告預測這些AI技術將在分子工程中越來越普遍，並提供創新解決方案，同時也討論了相關的挑戰與機會。 PubMed DOI