欧美在线,俄罗斯版美丽的小辣椒,x9x9x9任意噪2024视频

成果簡介

加州大學伯克利分校Omar M. Yaghi院士團隊通過使用提示工程(Prompt Engineering)來指導ChatGPT從不同格式和風格的科學文獻中，自動挖掘出金屬有機框架(MOF)合成條件的文本信息。這有效地減少了由ChatGPT產生的信息誤差傾向，同時，這也克服了以往在科學領域使用大型語言模型(LLMs)所面臨的挑戰性問題。

該方法包括開發一個工作流程，實現三個不同的文本挖掘過程，由ChatGPT本身編程。它們都支持解析、搜索、過濾、分類、匯總和數據統一，并在人工、速度和準確性之間進行不同的權衡。

作者在該系統提取26257個不同的合成參數，涉及來自同行評審研究文章的大約800個MOFs。這個過程結合了本文所提出的的化學提示(Chem-Prompt)工程策略來指導ChatGPT進行文本挖掘，從而獲得了良好的精度、召回率以及90-99%的F₁分數。利用文本挖掘構建的數據集，作者構建了預測MOF實驗結晶結果準確率超過87%的機器學習模型，初步識別了影響MOF結晶的重要因素。

此外，作者還開發了一個可靠的基于數據的MOF聊天機器人來回答有關化學反應和合成過程的問題。考慮到使用ChatGPT的過程以統一的格式可靠地挖掘和制表各種MOF合成信息，同時只使用敘述語言，不需要編碼專業知識，可以預計該ChatGPT化學助手將在各種其他化學子學科中扮演著重要角色。

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

圖文導讀

圖1 ChatGPT化學助手工作流程的示意圖

在與化學相關的任務領域，ChatGPT的性能可以通過使用提示工程(PE)得到顯著提高，這是一種精心設計提示的方法，可以引導ChatGPT生成精確和相關的信息。作者提出了以化學為重點的應用中提示工程的三個基本原則，稱為化學提示工程。

首先，需要制定提示，以避免從ChatGPT中引出捏造或誤導性的內容。如下表所示。

例如，當被要求在沒有任何額外提示或上下文的情況下提供MOF的合成條件時，ChatGPT可能會識別出MOF-99999不存在，但會為現有的名稱為MOF-41、MOF-419和MOF-519的化合物生成合成條件。因此，在問題之后有額外的提示，可以最大限度地減少ChatGPT產生誤差，并迫使ChatGPT根據其知識回答問題，如下表所示。

在為ChatGPT設計提示以處理與化學信息相關的文本和問題時，這應該是首先要遵循的原則。

其次，需要實施詳細指示，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格式。通過將詳細的指導和上下文合并到提示中，我們可以促進ChatGPT更集中和準確的響應。在化學相關的任務中，這種方法縮小了潛在的答案空間，減少了不相關或模棱兩可的回答的可能性。

最后是請求結構化輸出，其中包括合并有組織且定義良好的響應模板或指令，以促進數據提取。結構化的輸出能夠有效地提取和解釋關鍵信息，這反過來又可以大大促進該領域的研究和知識的進步。

圖2 ChemPrompt工程的三個基本原則

通過結合上述這些原則，生成的提示符可以確保ChatGPT產生準確可靠的結果，最終增強其在處理復雜化學相關任務中的實用性(圖2)。進一步采用了交互式提示符改進的思想。在這個思想中，首先要求ChatGPT編寫一個提示符，通過給它提供初步的描述和信息來指導它自己。通過對話，為提示添加更具體的細節和注意事項，用一些文本進行測試，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量。

圖3 18248個文本片段嵌入的二維可視化

為了評估該方法的有效性，對嵌入數據進行了可視化探索(圖3)。通過降低向量的維數，觀察到不同的簇對應于不同的話題。

圖4 由ChatGPT直接管理或代管理的各種數據統一任務的示意圖

ChatGPT還有助于文本挖掘后的實體解析(圖4)。這一步涉及到標準化數據格式，包括單位、符號和復合表示。對于每個任務，為ChatGPT設計了一個特定的提示符來直接處理數據，或者為ChatGPT生成一個專門的Python代碼。

在更簡單的情況下，ChatGPT可以直接處理時間和反應溫度等轉換。對于復雜的計算，利用ChatGPT生成Python代碼。例如，為了計算每種金屬源的摩爾質量，ChatGPT可以根據給定的化合物公式生成相應的Python代碼。為了協調復合對或混合物的表示法，ChatGPT可以將不同的表示法標準化為統一的格式，從而便于后續的數據處理。

圖5 基于ChatGPT的文本挖掘過程的多方面性能分析

通過首先評估每個進程的執行時間消耗來開始性能分析(圖5a)。如前所述，進程1中的ChatGPT助手專門接受預先選擇的實驗部分進行總結。因此，流程1需要人工干預，以識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程持續了12小時，平均每篇論文約2.5分鐘。這段時間必須被認為是進程1執行的必要時間。

對于總結任務，ChatGPT助手展示出了驚人的能力，平均每篇論文花費13秒。考慮到數據集中的某些論文包含超過20個MOF化合物，如果沒有人工智能，以傳統的方式進行人工總結可能會消耗更長的時間，這一點值得注意。通過加速總結過程，有效減輕了重復工作的負擔，為研究人員騰出了寶貴的時間。

流程2以完全自動化的方式操作，將分類和結果傳遞流程集成到下一個助手進行匯總。毫無疑問，由于ChatGPT優越的文本處理能力，它在速度方面優于流程1的手動識別和摘要組合。最后，流程3，正如預期的那樣，是最快的，因為它結合了由嵌入驅動的部分過濾，減少了分類任務，隨后提高了速度。

所有論文中11個合成參數中TP標簽的分布如圖5b所示。需要注意的是，并非所有的MOF合成條件都需要報告全部11個參數。例如，一些合成不涉及調節劑，在這種情況下，要求ChatGPT為相應的列及其數量分配N/A。隨后，計算了所有三個過程中每個參數的精度、召回率和F₁分數，如圖5c和d所示。

所有的方法在識別化合物名稱、金屬源名稱、連接劑名稱、調節劑名稱和溶劑名稱方面都表現出良好的效果。然而，它們在準確確定所涉化學品的數量或體積方面遇到了困難。另一方面，反應溫度和反應時間等通常具有固定模式的參數(例如，分別以℃和小時為單位)被所有過程準確識別，從而獲得較高的召回率、精度和F₁分數。

圖6 分類模型在預測合成MOF結晶態中的性能

考慮到通過基于ChatGPT的文本挖掘程序獲得的大量合成條件，利用這些數據來調查、理解和預測MOF材料的結晶條件。在對數據進行統一整理，納入11個綜合參數變量和1個綜合結果目標變量后，為每個綜合參數設計了各自的描述符，能夠穩定表示綜合條件的多樣性和復雜性，并便于將這些變量轉化為適合機器學習算法的特征。

根據提取的合成參數，對金屬節點、連接劑、調節劑、溶劑、各自的摩爾比、反應條件等組成了6組化學描述符。為了提取最相關的特征并簡化模型，對80%的總數據進行遞歸特征消除(REF)，并進行5倍交叉驗證。其余部分在學習過程中被保留為不可見的集合，用于獨立評估。

在所涉及的描述符中，前10個最具影響力的描述符是預測MOF結晶結果的關鍵。這些描述符與化學直覺和我們對MOF晶體生長的理解大致一致。例如，與MOF合成的化學計量有關的描述符，即調節劑與金屬的比例、溶劑與金屬的比例和連接劑與金屬的比例，在排名中占據優先地位。這些描述符反映了精確的化學計量控制在MOF晶體形成中的重要作用，并直接影響結晶過程，在決定MOF晶體的質量和形貌方面起著關鍵作用。

緊接其后的是描述符“時間”，它突出了反應持續時間在結晶過程中的重要作用。此外，“金屬價”描述符強調了金屬離子的性質和反應性在MOF合成中的關鍵作用。價態直接影響MOF的二級構建單元(SBUs)和最終結晶狀態。同時，與分子和連接體相關的描述符會影響合成動力學，影響晶體生長的有序性。總之，這一結果提供了對影響MOF結晶的關鍵因素的更好理解，并將有助于設計和優化合成條件，以有針對性地制備單晶或多晶MOF。

圖7 MOF聊天機器人的集成工作流程

文獻信息

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

原創文章，作者：菜菜歐尼醬，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/12/28/6fbdabd592/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

他，MOF鼻祖，運用ChatGPT發表第88篇JACS！

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

他，MOF鼻祖，運用ChatGPT發表第88篇JACS！

相關推薦