預先訓練並微調的大型語言模型（LLMs）在預測無機化合物的合成可行性和選擇無機合成的前驅物方面非常有效。相較於專門的機器學習模型，微調後的LLMs表現優異，使用者需要的專業知識、成本和時間也較少。這種方法將成為未來化學機器學習研究的重要參考，同時也是實驗化學家的實用工具。 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

小分子的設計對於藥物發現和能源儲存等技術應用非常重要。隨著合成化學的發展，科學界開始利用數據驅動和機器學習方法來探索設計空間。雖然生成式機器學習在分子設計上有潛力，但訓練過程複雜，且生成有效分子不易。研究顯示，預訓練的大型語言模型（LLMs）如Claude 3 Opus能根據自然語言指示創建和修改分子，達到97%的有效生成率。這些發現顯示LLMs在分子設計上具備強大潛力。 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

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

最近，人工智慧在分子設計上有了新進展，讓合成化學家能更輕鬆地創造特定功能的分子。雖然已有多款AI分子生成器，但使用這些工具仍需專業知識。為了解決這個問題，我們開發了ChatChemTS，一個基於大型語言模型的聊天機器人，透過簡單對話幫助設計新分子，並自動生成獎勵函數。我們的研究展示了它在設計色素和抗癌藥物方面的能力。ChatChemTS已開源，並可在GitHub上獲得，網址是 https://github.com/molecule-generator-collection/ChatChemTS。這項技術讓更多人能輕鬆使用AI進行分子設計。 PubMed DOI

大型語言模型像GPT正在改變化學研究，但因化學資料有限，常出現錯誤。透過精心設計提問（prompt engineering），能減少這些錯誤並提升推理能力。雖然這方法在化學領域還不普及，但已有像電池和自動化實驗室的應用案例。總結來說，結合這兩者能讓化學研究更精確可靠。 PubMed DOI

**重點整理：** Zhao 等人開發了 ChemDFM，一款專為化學領域設計的大型語言模型，結合了通用 AI 能力和專業化學知識。它能夠解讀光譜數據、進行數值推理，還能連結化學工具和資料庫，成為科學研究與發現的重要助手。 PubMed DOI