Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Molecular Models02:00

Molecular Models

38.2K
Physical models representing molecular architectures of chemical compounds play essential roles in understanding chemistry. The use of molecular models makes it easier to visualize the structures and shapes of atoms and molecules.
38.2K
Ligand Binding Sites02:40

Ligand Binding Sites

12.8K
Proteins are dynamic macromolecules that carry out a wide variety of essential processes; however, the activities of most proteins depend on their interactions with other molecules or ions, known as ligands.
Protein-ligand interactions are quite specific; even though numerous potential ligands surround a cellular protein at any given time, only a particular ligand can bind to that protein. Moreover, a ligand binds only to a dedicated area on the surface of the protein, known as the...
12.8K
Polymer Classification: Architecture01:14

Polymer Classification: Architecture

2.7K
Polymers are classified as linear or branched on the basis of their chain architecture. The polymer chains in linear polymers have a long chain-like structure with minimal to no branching at all. Even if a polymer features large substituent groups on the monomer, which appear as branches to the skeleton, it is not considered a branched polymer. A branched polymer contains secondary polymer chains that arise from the main polymer chain. The branching occurs when the polymer growth shifts from...
2.7K
Polymer Classification: Stereospecificity01:26

Polymer Classification: Stereospecificity

2.4K
Polymerization generates chiral centers along the entire backbone of a polymer chain. Accordingly, the stereochemistry of the substituent group has a significant effect on polymer properties. Polymers formed from monosubstituted alkene monomers feature chiral carbons at every alternate position in the polymer backbone. Relative to the predominant orientation of substituents at the adjacent chiral carbons, the polymer can exist in three different configurations: isotactic, syndiotactic, and...
2.4K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Steric Hindrance of Proton Donors Modulates Heterogeneous Electrochemical Nitrogen Reduction Reaction Selectivity in Nonaqueous Electrolytes.

Journal of the American Chemical Society·2026
Same author

Enhancing Generalization in Synthesizability Prediction of Structurally Dissimilar Materials.

Journal of chemical information and modeling·2026
Same author

Confinement and Interface Effects on Radiolysis in Liquid-Phase TEM Probed by Palladium Nanocrystal Etching.

Nano letters·2026
Same author

Generative modelling of inorganic materials with explicit electronic structure.

Nature communications·2026
Same author

Can You Help ChatGPT Get an "A" in Organic Chemistry? Teaching Effective Prompting of Large Language Models for Reaction Prediction.

Journal of chemical education·2026
Same author

Molecular Foundation Models for Predicting Self-Assembly in Aqueous Mixtures.

Langmuir : the ACS journal of surfaces and colloids·2026

Video Experimental Relacionado

Updated: Jun 21, 2025

Curation of Computational Chemical Libraries Demonstrated with Alpha-Amino Acids
08:21

Curation of Computational Chemical Libraries Demonstrated with Alpha-Amino Acids

Published on: April 13, 2022

2.6K

Grandes modelos de lenguaje para las predicciones de síntesis inorgánica

Seongmin Kim1, Yousung Jung2,3,4,5, Joshua Schrier6

  • 1Department of Chemical and Biomolecular Engineering, Korea Advanced Institute of Science and Technology (KAIST), 291, Daehak-ro, Yuseong-gu, Daejeon 34141, Korea.

Journal of the American Chemical Society
|July 11, 2024
PubMed
Resumen

Los modelos de lenguaje grande (LLM) predicen efectivamente la sintetizabilidad de los compuestos inorgánicos y la selección de precursores. Los LLM afinados ofrecen una alternativa práctica y rentable a los complejos modelos de aprendizaje automático para los químicos.

Más Videos Relacionados

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
03:14

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness

Published on: December 6, 2024

543
Author Spotlight: In Silico Creation and Impact of Carbonylated Amino Acids on Protein Structure and Function
05:57

Author Spotlight: In Silico Creation and Impact of Carbonylated Amino Acids on Protein Structure and Function

Published on: April 26, 2024

359

Videos de Experimentos Relacionados

Last Updated: Jun 21, 2025

Curation of Computational Chemical Libraries Demonstrated with Alpha-Amino Acids
08:21

Curation of Computational Chemical Libraries Demonstrated with Alpha-Amino Acids

Published on: April 13, 2022

2.6K
Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
03:14

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness

Published on: December 6, 2024

543
Author Spotlight: In Silico Creation and Impact of Carbonylated Amino Acids on Protein Structure and Function
05:57

Author Spotlight: In Silico Creation and Impact of Carbonylated Amino Acids on Protein Structure and Function

Published on: April 26, 2024

359

Área de la Ciencia:

  • Ciencias de los materiales
  • Química computacional
  • Inteligencia artificial

Sus antecedentes:

  • La predicción de la sintetizabilidad de los compuestos inorgánicos es crucial para el descubrimiento de materiales.
  • El desarrollo de modelos de aprendizaje automático a medida requiere una experiencia, tiempo y costos significativos.
  • Los modelos de lenguaje grande (LLM) presentan una alternativa potencial para las tareas de predicción química.

Objetivo del estudio:

  • Evaluar la eficacia de los LLM previamente entrenados y afinados para predecir la sintetizabilidad de los compuestos inorgánicos.
  • Evaluar la capacidad de los LLM para seleccionar los precursores adecuados para la síntesis inorgánica.
  • Establecer los LLM como una herramienta práctica y una línea de base para el aprendizaje automático químico.

Principales métodos:

  • Utilizando modelos de lenguaje grandes previamente entrenados y afinados.
  • Aplicación de modelos para predecir la capacidad de síntesis de compuestos inorgánicos.
  • El uso de modelos para identificar los precursores adecuados para la síntesis química.

Principales resultados:

  • Los LLM ajustados demuestran un rendimiento predictivo comparable o superior a los modelos de aprendizaje automático a medida.
  • Las predicciones basadas en LLM requieren un mínimo de experiencia del usuario, costo y tiempo de desarrollo.
  • Los modelos predijeron con éxito la sintetizabilidad y la selección de precursores para compuestos inorgánicos.

Conclusiones:

  • Los LLM afinados proporcionan una estrategia efectiva y accesible para predecir la sintetizabilidad inorgánica y la selección de precursores.
  • Este enfoque sirve como una base sólida para futuras aplicaciones de aprendizaje automático en química.
  • Los LLM ofrecen una herramienta práctica para los químicos experimentales, simplificando la planificación de la síntesis.