Grandes modelos de lenguaje para las predicciones de síntesis inorgánica

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.