在化学中使用可解释的机器学习和大型语言模型的人类可解释的结构-属性关系
Geemi P Wellawatte1, Philippe Schwaller2,3
1Laboratory of Artificial Chemical Intelligence, Institute of Chemical Sciences and Engineering, Ecole Polytechnique Fédérale de Lausanne (EPFL), Lausanne, Switzerland. geemi.wellawatte@epfl.ch.
可解释的人工智能 (XAI) 现在提供了可访问的化学洞察力. XpertAI框架使用大型语言模型 (LLM) 来将复杂的数据转化为可理解的自然语言解释结构-属性关系.
科学领域:
- 人工智能的人工智能
- 化学 化学 化学
- 数据科学数据科学数据科学
背景情况:
- 可解释的人工智能 (XAI) 方法解决了机器学习模型的不透明性.
- 在化学中,XAI对于阐明结构属性关系是有价值的.
- 当前的XAI工具通常需要技术专业知识,限制了更广泛的可访问性.
研究的目的:
- 开发一个框架,使XAI更容易获得化学家.
- 将XAI与大型语言模型 (LLM) 集成,用于自动化数据解释.
- 为了生成化学数据的自然语言解释.
主要方法:
- 开发了XpertAI框架,将XAI技术与LLMs集成在一起.
- 该框架访问科学文献以提供信息解释.
- 为了评估XpertAI的性能,进行了五个案例研究.
主要成果:
- XpertAI成功地生成了原始化学数据的可访问的自然语言解释.
- 该框架展示了提取输入-输出关系的能力.
- 案例研究证实了产生具体,科学和可解释的解释.
结论:
- XpertAI弥合了复杂的XAI方法和化学数据解释之间的差距.
- 该框架利用LLM和XAI来增强对结构与财产关系的理解.
- XpertAI提供了一种用户友好的方法来使用AI进行化学数据分析.
更多相关视频
05:18Quaternary Structure Modeling Through Chemical Cross-Linking Mass Spectrometry: Extending TX-MS Jupyter Reports
Published on: October 20, 2021
08:04Excitonic Hamiltonians for Calculating Optical Absorption Spectra and Optoelectronic Properties of Molecular Aggregates and Solids
Published on: May 27, 2020
相关概念视频
Molecular Models
Predicting Molecular Geometry
Mechanistic Models: Overview of Compartment Models
Mechanistic Models: Compartment Models in Individual and Population Analysis
Inductive Effects on Chemical Shift: Overview
Structure of Benzene: Molecular Orbital Model
