MOF-ChemUnity: Modelos de lenguaje grande informados por la literatura para la investigación del marco...

Área de la Ciencia:

• Ciencias de los materiales
• Química
• Inteligencia artificial

Sus antecedentes:

• La inteligencia artificial (IA) se utiliza cada vez más para predecir las propiedades del marco metálico-orgánico (MOF) utilizando datos estructurados.
• El vasto conocimiento dentro de la literatura científica sigue siendo en gran medida infrautilizado por los sistemas de IA en la investigación de MOF.
• La integración de datos experimentales y puntos de vista de expertos de la literatura es crucial para avanzar en el descubrimiento de MOF.

Objetivo del estudio:

• Desarrollar un gráfico de conocimiento unificado (MOF-ChemUnity) que integre las estructuras cristalinas de MOF, los datos computacionales y los conocimientos de la literatura.
• Permitir que los sistemas de IA aprovechen toda la amplitud de los conocimientos del Ministerio de Educación, incluida la información no estructurada de las publicaciones científicas.
• Mejorar el descubrimiento de materiales impulsado por la IA mediante la mejora de la accesibilidad a los datos y las capacidades de enlace cruzado.

Principales métodos:

• Construido MOF-ChemUnity, un gráfico de conocimiento estructurado y extensible que conecta las ideas MOF derivadas de la literatura con las estructuras de cristal (Cambridge Structural Database) y los conjuntos de datos computacionales.
• Desarrolló métodos para desambiguar los nombres de MOF en la literatura y vincularlos a los datos cristalográficos.
• MOF-ChemUnity integrado con grandes modelos de lenguaje (LLM) para crear un asistente de IA informado por la literatura.

Principales resultados:

• MOF-ChemUnity unifica con éxito los datos experimentales y computacionales de MOF, lo que permite la extracción de conocimiento entre documentos.
• Aprendizaje automático de múltiples propiedades demostrado a través de datos simulados y experimentales, y compilación de registros de síntesis completos de múltiples publicaciones.
• Los asistentes de IA aumentados con MOF-ChemUnity mostraron una mayor precisión, interpretabilidad y confiabilidad en tareas como la recuperación y la recomendación de materiales en comparación con los LLM estándar.

Conclusiones:

• MOF-ChemUnity proporciona una base para el descubrimiento de materiales informados por la literatura, lo que permite a la IA y a los investigadores razonar sobre el conocimiento integral de MOF.
• El gráfico de conocimiento facilita aplicaciones avanzadas de IA, incluidas las recomendaciones de materiales guiadas por expertos y la inferencia mejorada de la relación estructura-propiedad.
• Este enfoque mejora significativamente la utilización de la literatura científica para los avances impulsados por la IA en la investigación del marco metálico-orgánico.