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

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

這項研究探討生成式人工智慧（GenAI）在科學發現，特別是分子遺傳學的應用。結果顯示，雖然GenAI能對漸進式發現有所貢獻，但在獨立生成原創假說或突破性發現方面表現不佳，無法像人類一樣進行思考。它主要依賴現有知識和科學家的見解，缺乏識別異常或產生靈感的能力，且可能對自身表現過度自信。研究強調需解決GenAI的局限性，包括倫理和偏見問題，並探討其在科學創新中的潛在角色。 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

這項研究用自動編碼器和深度神經網路結合的機器學習方法，準確預測金屬氫化物的氫儲存容量，解決了資料少又複雜的問題。團隊還微調GPT-2語言模型，幫忙產生和篩選新型氫儲存材料，部分材料也用DFT驗證過，效果很好。 PubMed DOI

研究團隊開發了 NanoSafari 這套生成式 AI 工具，能用創新的資訊擷取方法（GIVE）從兩萬多篇論文中精準收集奈米材料設計數據。結合大型語言模型後，NanoSafari 提供比傳統模型更可靠、精確的資訊，並經專家與實驗驗證，展現 AI 協助生物材料與生醫工程研究的潛力。 PubMed DOI

這項研究用大型語言模型（LLM）多智能體系統，快速分析文獻，找到新型、低成本又環保的深共熔電解質（DEEs）應用於鋅離子電池。發現 Zn(BF₄)₂·xH₂O-EC 電解質不僅導電性高、穩定電壓範圍大，還有優異的電池壽命和倍率。LLM 有效加速材料發現，為材料研究帶來新突破。 PubMed DOI

生成式AI正加速新藥研發，能深入分析複雜生物和化學資料。這篇綜述介紹主流AI模型、分子表徵和評估方式，並說明在蛋白質交互、藥物設計等應用。雖然潛力大，但還有模型解釋性差、資料不足等挑戰。文中也建議用混合模型、資料增強、雲端運算等方法來突破，並強調跨領域合作的重要性。 PubMed DOI

生成式AI正加速新藥開發、蛋白質與基因研究，也推動個人化醫療和農業創新，像是培育更優良作物。它還促進合成生物學和永續發展。不過，資料隱私和公平性等倫理問題也要一起重視，才能確保負責任的應用。 PubMed DOI