ChatGPT Asistente de química para la minería de texto y la predicción de la síntesis de MOF

Área de la Ciencia:

• Ciencias de los materiales
• Química computacional
• Inteligencia artificial en la química

Sus antecedentes:

• Los grandes modelos de lenguaje (LLM) como ChatGPT enfrentan desafíos con la alucinación en aplicaciones científicas.
• La automatización de la extracción de las condiciones de síntesis de la literatura científica diversa es crucial para el descubrimiento de materiales.

Objetivo del estudio:

• Desarrollar una estrategia de ingeniería rápida (ChemPrompt Engineering) para la minería de texto confiable de datos de síntesis de MOF utilizando ChatGPT.
• Para mitigar las alucinaciones de LLM y permitir la extracción eficiente de datos y la unificación de la literatura científica.

Principales métodos:

• Desarrolló un flujo de trabajo con tres procesos de minería de texto programados por ChatGPT para analizar, buscar, filtrar, clasificar, resumir y unificar datos.
• Aplicó la estrategia de ingeniería ChemPrompt para extraer 26.257 parámetros de síntesis para ~ 800 MOF de artículos revisados por pares.

Principales resultados:

• Logró una alta precisión, recuerdo y puntuaciones F1 (90-99%) en la minería de texto utilizando la estrategia desarrollada.
• Construyó un modelo de aprendizaje automático con una precisión de >87% para predecir los resultados de la cristalización de MOF.
• Creó un chatbot MOF basado en datos para consultas de reacción química y síntesis.

Conclusiones:

• El enfoque de ChemPrompt Engineering permite una minería de texto confiable y automatizada de los datos de síntesis de MOF, superando las limitaciones de LLM.
• Los datos extraídos facilitan el aprendizaje automático para predecir la cristalización de MOF e identificar factores clave.
• El sistema desarrollado, un ChatGPT Chemistry Assistant, muestra una amplia aplicabilidad en todas las subdisciplinas de la química.