聊天GPT研究小组优化MOF和COF的结晶性
Zhiling Zheng1,2,3, Oufan Zhang1,4, Ha L Nguyen1,2
1Department of Chemistry, University of California, Berkeley, California 94720, United States.
ACS central science
|November 30, 2023
概括
本研究介绍了一个使用ChatGPT和贝叶斯优化来加速化学研究的多AI系统. 人工智能合作者提高了生产率,使MOF和COF等材料更快地发现了最佳合成条件.
科学领域:
- 化学中的人工智能.
- 材料科学 材料科学 材料科学
- 化学合成 化学合成
背景情况:
- 传统的化学研究往往是耗时和资源密集的.
- 整合人工智能可以简化实验室的工作流程并加速发现.
- 大型语言模型 (LLM) 为各种研究支持角色提供了潜力.
研究的目的:
- 开发和评估用于编排化学研究的多AI驱动系统.
- 加速发现金属有机框架 (MOF) 和共价有机框架 (COF) 的最佳合成条件.
- 展示AI提高研究人员生产力和减少实验偏见的能力.
主要方法:
- 开发一个多AI系统 ("ChatGPT研究小组") 拥有七个基于LLM的助手和机器学习算法.
- 利用贝叶斯优化来高效地搜索一个大参数空间的最佳合成条件.
- 人工智能助理执行任务包括策略规划,文献搜索,编码,机器人操作,实验室设计,安全检查和数据分析.
主要成果:
- 加速发现MOF-321,MOF-322和COF-323.3的最佳微波合成条件.
- 实现了所需的材料特性,包括增强晶体性,多孔性和水容量.
- 从数以百万计的可能性中确定最佳条件所需的时间显著减少.
结论:
- 由人工智能驱动的系统显著提高了研究人员的生产力,实现了与传统科学团队相美的产出.
- 贝叶斯优化有效地减少了人类偏见,并优化了实验设计中的探索-利用平衡.
- 这项工作为人工智能作为化学领域的高效合作伙伴提供了概念证明,推动了创新,使研究人员从常规任务中解放出来.
