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

大型語言模型（LLMs）在化學領域越來越重要，能協助分子設計、性質預測和合成優化。這篇綜述探討了LLMs的能力及其自動化對科學發現的影響，還提到基於LLM的自主代理，能執行文獻擷取和與自動化實驗室互動等任務。文章也涵蓋了這些代理在其他科學領域的應用，並檢視其最新發展與挑戰，如數據質量和模型可解釋性。未來建議發展更先進的多模態代理，並改善與實驗方法的合作。欲了解更多，可參 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

大型語言模型（LLMs）已經在實驗室工作流程中帶來了顯著進展，特別是在化學研究的自主化方面。本報告介紹了ChemAgents，這是一個由多代理系統和Llama-3.1-70B LLM驅動的機器人AI化學家。ChemAgents能在少量人類介入下執行複雜實驗，並協調文獻閱讀、實驗設計、計算執行和機器人操作等四個專門代理。系統在六個實驗任務中展現了其有效性，並成功在新機器人化學實驗室中自主進行光催化反應，顯示出其可擴展性和適應性，為化學研究的自主化鋪平道路。 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

大型語言模型正帶動材料科學革新，讓自動化材料發現成真，像是資料擷取、性質預測都更有效率。不過，目前還有專業知識整合不夠、資源消耗大等問題。未來要加強LLM的適應性、效率和可信度，才能讓這些技術在實際應用上更可靠、更公平。 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

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