微调GPT-3用于机器学习有机分子的电子和功能性质
Zikai Xie1, Xenophon Evangelopoulos1, Ömer H Omar2
1Leverhulme Research Centre for Functional Materials Design, Materials Innovation Factory and Department of Chemistry, University of Liverpool Liverpool L7 3NY UK aicooper@liverpool.ac.uk.
Chemical science
|January 5, 2024
概括
微调GPT-3显示出预测有机分子特性,准确识别化学模式,即使缺少数据或噪声的承诺. 这种方法在分子机器学习任务中提供了强大的性能.
科学领域:
- 计算化学计算化学
- 机器学习 机器学习
- 材料科学 材料科学 材料科学
背景情况:
- 预测分子性质对于设计新材料至关重要.
- 传统的方法可能是计算密集型的.
- 大型语言模型为财产预测提供了新的途径.
研究的目的:
- 评估微调GPT-3用于预测有机分子电子和功能性质的有效性.
- 评估模型对数据干扰的弹性,例如缺失的原子或改变的身份.
- 确定在分子机器学习中使用GPT-3的挑战和局限性.
主要方法:
- 精细调整发电预训练变压器3 (GPT-3) 模型.
- 关于有机分子及其相关性质的数据集的培训.
- 在信息丢失和噪声条件下测试模型的预测性能.
- 分析模型识别化学模式的能力.
主要成果:
- 微调的GPT-3显示出对分子性质的强大预测性能.
- 该模型成功地识别和区分了具有化学意义的模式.
- GPT-3显示了对信息丢失 (例如,缺失的原子/组) 的弹性,并引入了噪音.
- 该模型可以识别化学模式之间的微妙差异.
结论:
- 微调GPT-3是预测有机分子属性的有效策略.
- 该模型在处理不完美或不完整的分子数据方面表现出有希望的功能.
- 需要进一步的研究来解决目前的局限性,并加强分子机器学习的GPT-3.
更多相关视频
08:43PTR-ToF-MS Coupled with an Automated Sampling System and Tailored Data Analysis for Food Studies: Bioprocess Monitoring, Screening and Nose-space Analysis
Published on: May 11, 2017
12.4K
11:22Using Three-color Single-molecule FRET to Study the Correlation of Protein Interactions
Published on: January 30, 2018
10.1K
