国产三级精品三级在线观看,国产高清无码在线观看,中文字幕日本人妻久久久免费,亚洲精品午夜无码电影网

成果簡(jiǎn)介

加州大學(xué)伯克利分校Omar M. Yaghi院士團(tuán)隊(duì)通過(guò)使用提示工程(Prompt Engineering)來(lái)指導(dǎo)ChatGPT從不同格式和風(fēng)格的科學(xué)文獻(xiàn)中，自動(dòng)挖掘出金屬有機(jī)框架(MOF)合成條件的文本信息。這有效地減少了由ChatGPT產(chǎn)生的信息誤差傾向，同時(shí)，這也克服了以往在科學(xué)領(lǐng)域使用大型語(yǔ)言模型(LLMs)所面臨的挑戰(zhàn)性問(wèn)題。

該方法包括開(kāi)發(fā)一個(gè)工作流程，實(shí)現(xiàn)三個(gè)不同的文本挖掘過(guò)程，由ChatGPT本身編程。它們都支持解析、搜索、過(guò)濾、分類(lèi)、匯總和數(shù)據(jù)統(tǒng)一，并在人工、速度和準(zhǔn)確性之間進(jìn)行不同的權(quán)衡。

作者在該系統(tǒng)提取26257個(gè)不同的合成參數(shù)，涉及來(lái)自同行評(píng)審研究文章的大約800個(gè)MOFs。這個(gè)過(guò)程結(jié)合了本文所提出的的化學(xué)提示(Chem-Prompt)工程策略來(lái)指導(dǎo)ChatGPT進(jìn)行文本挖掘，從而獲得了良好的精度、召回率以及90-99%的F₁分?jǐn)?shù)。利用文本挖掘構(gòu)建的數(shù)據(jù)集，作者構(gòu)建了預(yù)測(cè)MOF實(shí)驗(yàn)結(jié)晶結(jié)果準(zhǔn)確率超過(guò)87%的機(jī)器學(xué)習(xí)模型，初步識(shí)別了影響MOF結(jié)晶的重要因素。

此外，作者還開(kāi)發(fā)了一個(gè)可靠的基于數(shù)據(jù)的MOF聊天機(jī)器人來(lái)回答有關(guān)化學(xué)反應(yīng)和合成過(guò)程的問(wèn)題。考慮到使用ChatGPT的過(guò)程以統(tǒng)一的格式可靠地挖掘和制表各種MOF合成信息，同時(shí)只使用敘述語(yǔ)言，不需要編碼專(zhuān)業(yè)知識(shí)，可以預(yù)計(jì)該ChatGPT化學(xué)助手將在各種其他化學(xué)子學(xué)科中扮演著重要角色。

相關(guān)工作以《ChatGPT Chemistry Assistant for Text Mining and the Prediction of MOF Synthesis》為題在《Journal of the American Chemical Society》上發(fā)表論文。同時(shí)，這也是Omar M. Yaghi院士在《Journal of the American Chemical Society》上發(fā)表的第88篇論文。

圖文導(dǎo)讀

圖1 ChatGPT化學(xué)助手工作流程的示意圖

在與化學(xué)相關(guān)的任務(wù)領(lǐng)域，ChatGPT的性能可以通過(guò)使用提示工程(PE)得到顯著提高，這是一種精心設(shè)計(jì)提示的方法，可以引導(dǎo)ChatGPT生成精確和相關(guān)的信息。作者提出了以化學(xué)為重點(diǎn)的應(yīng)用中提示工程的三個(gè)基本原則，稱(chēng)為化學(xué)提示工程。

首先，需要制定提示，以避免從ChatGPT中引出捏造或誤導(dǎo)性的內(nèi)容。如下表所示。

例如，當(dāng)被要求在沒(méi)有任何額外提示或上下文的情況下提供MOF的合成條件時(shí)，ChatGPT可能會(huì)識(shí)別出MOF-99999不存在，但會(huì)為現(xiàn)有的名稱(chēng)為MOF-41、MOF-419和MOF-519的化合物生成合成條件。因此，在問(wèn)題之后有額外的提示，可以最大限度地減少ChatGPT產(chǎn)生誤差，并迫使ChatGPT根據(jù)其知識(shí)回答問(wèn)題，如下表所示。

在為ChatGPT設(shè)計(jì)提示以處理與化學(xué)信息相關(guān)的文本和問(wèn)題時(shí)，這應(yīng)該是首先要遵循的原則。

其次，需要實(shí)施詳細(xì)指示，在提示中提供明確的指示，以幫助ChatGPT理解上下文和期望的響應(yīng)格式。通過(guò)將詳細(xì)的指導(dǎo)和上下文合并到提示中，我們可以促進(jìn)ChatGPT更集中和準(zhǔn)確的響應(yīng)。在化學(xué)相關(guān)的任務(wù)中，這種方法縮小了潛在的答案空間，減少了不相關(guān)或模棱兩可的回答的可能性。

最后是請(qǐng)求結(jié)構(gòu)化輸出，其中包括合并有組織且定義良好的響應(yīng)模板或指令，以促進(jìn)數(shù)據(jù)提取。結(jié)構(gòu)化的輸出能夠有效地提取和解釋關(guān)鍵信息，這反過(guò)來(lái)又可以大大促進(jìn)該領(lǐng)域的研究和知識(shí)的進(jìn)步。

圖2 ChemPrompt工程的三個(gè)基本原則

通過(guò)結(jié)合上述這些原則，生成的提示符可以確保ChatGPT產(chǎn)生準(zhǔn)確可靠的結(jié)果，最終增強(qiáng)其在處理復(fù)雜化學(xué)相關(guān)任務(wù)中的實(shí)用性(圖2)。進(jìn)一步采用了交互式提示符改進(jìn)的思想。在這個(gè)思想中，首先要求ChatGPT編寫(xiě)一個(gè)提示符，通過(guò)給它提供初步的描述和信息來(lái)指導(dǎo)它自己。通過(guò)對(duì)話，為提示添加更具體的細(xì)節(jié)和注意事項(xiàng)，用一些文本進(jìn)行測(cè)試，一旦獲得輸出，就可以向ChatGPT提供反饋，并要求它提高提示的質(zhì)量。

圖3 18248個(gè)文本片段嵌入的二維可視化

為了評(píng)估該方法的有效性，對(duì)嵌入數(shù)據(jù)進(jìn)行了可視化探索(圖3)。通過(guò)降低向量的維數(shù)，觀察到不同的簇對(duì)應(yīng)于不同的話題。

圖4 由ChatGPT直接管理或代管理的各種數(shù)據(jù)統(tǒng)一任務(wù)的示意圖

ChatGPT還有助于文本挖掘后的實(shí)體解析(圖4)。這一步涉及到標(biāo)準(zhǔn)化數(shù)據(jù)格式，包括單位、符號(hào)和復(fù)合表示。對(duì)于每個(gè)任務(wù)，為ChatGPT設(shè)計(jì)了一個(gè)特定的提示符來(lái)直接處理數(shù)據(jù)，或者為ChatGPT生成一個(gè)專(zhuān)門(mén)的Python代碼。

在更簡(jiǎn)單的情況下，ChatGPT可以直接處理時(shí)間和反應(yīng)溫度等轉(zhuǎn)換。對(duì)于復(fù)雜的計(jì)算，利用ChatGPT生成Python代碼。例如，為了計(jì)算每種金屬源的摩爾質(zhì)量，ChatGPT可以根據(jù)給定的化合物公式生成相應(yīng)的Python代碼。為了協(xié)調(diào)復(fù)合對(duì)或混合物的表示法，ChatGPT可以將不同的表示法標(biāo)準(zhǔn)化為統(tǒng)一的格式，從而便于后續(xù)的數(shù)據(jù)處理。

圖5 基于ChatGPT的文本挖掘過(guò)程的多方面性能分析

通過(guò)首先評(píng)估每個(gè)進(jìn)程的執(zhí)行時(shí)間消耗來(lái)開(kāi)始性能分析(圖5a)。如前所述，進(jìn)程1中的ChatGPT助手專(zhuān)門(mén)接受預(yù)先選擇的實(shí)驗(yàn)部分進(jìn)行總結(jié)。因此，流程1需要人工干預(yù)，以識(shí)別和提取論文中的合成部分。在本研究中，228篇論文的完整選擇過(guò)程持續(xù)了12小時(shí)，平均每篇論文約2.5分鐘。這段時(shí)間必須被認(rèn)為是進(jìn)程1執(zhí)行的必要時(shí)間。

對(duì)于總結(jié)任務(wù)，ChatGPT助手展示出了驚人的能力，平均每篇論文花費(fèi)13秒?？紤]到數(shù)據(jù)集中的某些論文包含超過(guò)20個(gè)MOF化合物，如果沒(méi)有人工智能，以傳統(tǒng)的方式進(jìn)行人工總結(jié)可能會(huì)消耗更長(zhǎng)的時(shí)間，這一點(diǎn)值得注意。通過(guò)加速總結(jié)過(guò)程，有效減輕了重復(fù)工作的負(fù)擔(dān)，為研究人員騰出了寶貴的時(shí)間。

流程2以完全自動(dòng)化的方式操作，將分類(lèi)和結(jié)果傳遞流程集成到下一個(gè)助手進(jìn)行匯總。毫無(wú)疑問(wèn)，由于ChatGPT優(yōu)越的文本處理能力，它在速度方面優(yōu)于流程1的手動(dòng)識(shí)別和摘要組合。最后，流程3，正如預(yù)期的那樣，是最快的，因?yàn)樗Y(jié)合了由嵌入驅(qū)動(dòng)的部分過(guò)濾，減少了分類(lèi)任務(wù)，隨后提高了速度。

所有論文中11個(gè)合成參數(shù)中TP標(biāo)簽的分布如圖5b所示。需要注意的是，并非所有的MOF合成條件都需要報(bào)告全部11個(gè)參數(shù)。例如，一些合成不涉及調(diào)節(jié)劑，在這種情況下，要求ChatGPT為相應(yīng)的列及其數(shù)量分配N(xiāo)/A。隨后，計(jì)算了所有三個(gè)過(guò)程中每個(gè)參數(shù)的精度、召回率和F₁分?jǐn)?shù)，如圖5c和d所示。

所有的方法在識(shí)別化合物名稱(chēng)、金屬源名稱(chēng)、連接劑名稱(chēng)、調(diào)節(jié)劑名稱(chēng)和溶劑名稱(chēng)方面都表現(xiàn)出良好的效果。然而，它們?cè)跍?zhǔn)確確定所涉化學(xué)品的數(shù)量或體積方面遇到了困難。另一方面，反應(yīng)溫度和反應(yīng)時(shí)間等通常具有固定模式的參數(shù)(例如，分別以℃和小時(shí)為單位)被所有過(guò)程準(zhǔn)確識(shí)別，從而獲得較高的召回率、精度和F₁分?jǐn)?shù)。

圖6 分類(lèi)模型在預(yù)測(cè)合成MOF結(jié)晶態(tài)中的性能

考慮到通過(guò)基于ChatGPT的文本挖掘程序獲得的大量合成條件，利用這些數(shù)據(jù)來(lái)調(diào)查、理解和預(yù)測(cè)MOF材料的結(jié)晶條件。在對(duì)數(shù)據(jù)進(jìn)行統(tǒng)一整理，納入11個(gè)綜合參數(shù)變量和1個(gè)綜合結(jié)果目標(biāo)變量后，為每個(gè)綜合參數(shù)設(shè)計(jì)了各自的描述符，能夠穩(wěn)定表示綜合條件的多樣性和復(fù)雜性，并便于將這些變量轉(zhuǎn)化為適合機(jī)器學(xué)習(xí)算法的特征。

根據(jù)提取的合成參數(shù)，對(duì)金屬節(jié)點(diǎn)、連接劑、調(diào)節(jié)劑、溶劑、各自的摩爾比、反應(yīng)條件等組成了6組化學(xué)描述符。為了提取最相關(guān)的特征并簡(jiǎn)化模型，對(duì)80%的總數(shù)據(jù)進(jìn)行遞歸特征消除(REF)，并進(jìn)行5倍交叉驗(yàn)證。其余部分在學(xué)習(xí)過(guò)程中被保留為不可見(jiàn)的集合，用于獨(dú)立評(píng)估。

在所涉及的描述符中，前10個(gè)最具影響力的描述符是預(yù)測(cè)MOF結(jié)晶結(jié)果的關(guān)鍵。這些描述符與化學(xué)直覺(jué)和我們對(duì)MOF晶體生長(zhǎng)的理解大致一致。例如，與MOF合成的化學(xué)計(jì)量有關(guān)的描述符，即調(diào)節(jié)劑與金屬的比例、溶劑與金屬的比例和連接劑與金屬的比例，在排名中占據(jù)優(yōu)先地位。這些描述符反映了精確的化學(xué)計(jì)量控制在MOF晶體形成中的重要作用，并直接影響結(jié)晶過(guò)程，在決定MOF晶體的質(zhì)量和形貌方面起著關(guān)鍵作用。

緊接其后的是描述符“時(shí)間”，它突出了反應(yīng)持續(xù)時(shí)間在結(jié)晶過(guò)程中的重要作用。此外，“金屬價(jià)”描述符強(qiáng)調(diào)了金屬離子的性質(zhì)和反應(yīng)性在MOF合成中的關(guān)鍵作用。價(jià)態(tài)直接影響MOF的二級(jí)構(gòu)建單元(SBUs)和最終結(jié)晶狀態(tài)。同時(shí)，與分子和連接體相關(guān)的描述符會(huì)影響合成動(dòng)力學(xué)，影響晶體生長(zhǎng)的有序性。總之，這一結(jié)果提供了對(duì)影響MOF結(jié)晶的關(guān)鍵因素的更好理解，并將有助于設(shè)計(jì)和優(yōu)化合成條件，以有針對(duì)性地制備單晶或多晶MOF。

圖7 MOF聊天機(jī)器人的集成工作流程

文獻(xiàn)信息

ChatGPT Chemistry Assistant for Text Mining and the Prediction of MOF Synthesis，Journal of the American Chemical Society，2023.

https://pubs.acs.org/doi/10.1021/jacs.3c05819

原創(chuàng)文章，作者：菜菜歐尼醬，如若轉(zhuǎn)載，請(qǐng)注明來(lái)源華算科技，注明出處：http://m.xiubac.cn/index.php/2023/12/28/6fbdabd592/

国产三级精品三级在线观看,国产高清无码在线观看,中文字幕日本人妻久久久免费,亚洲精品午夜无码电影网

他，MOF鼻祖，運(yùn)用ChatGPT發(fā)表第88篇JACS！

相關(guān)推薦

他，MOF鼻祖，運(yùn)用ChatGPT發(fā)表第88篇JACS！