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

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

電動車和可再生能源的發展需要在電化學儲能系統上取得進展，如燃料電池和鋰離子電池等。這些技術雖然前景看好，但面臨高成本和材料稀缺等挑戰。本研究提出一種新穎的生成式人工智慧整合方案，利用生成對抗網絡、自編碼器和大型語言模型，改善材料發現和電池設計等方面。研究強調納米和微米尺度的互動對提升效率和延長壽命的重要性，並探討GenAI在儲能領域的挑戰與未來方向，旨在促進可持續的能源解決方案。 PubMed DOI

這項研究提出了一種新方法，結合機器學習和大型語言模型，來探索電化學 C-H 氧化反應。研究人員利用快速篩選平台評估底物，並用 LLMs 挖掘文獻數據，提升模型準確率超過 90%。此外，LLMs 生成代碼以優化反應條件，成功識別出八種藥物的高產率條件。研究還評估了十種 LLM 的表現，顯示它們在加速研究任務上的潛力，並編制了包含 1,071 種反應條件的基準數據集，為該領域提供了重要數據。 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

這項研究用大型語言模型（LLM）設計新型二氧化碳捕捉分子，並結合DFT計算篩選潛力材料。結果顯示，LLM不只產生可行分子，還提出創新設計方法，證明AI能有效輔助化學研究，提升碳捕捉材料的開發效率。 PubMed DOI