桥接AI与碳捕获：面向离子液体和CBE研究的LLM数据集
人工智能
2025-05-20 v2
摘要
大型语言模型( LLM)在各类领域的通用知识和推理任务中展现出卓越性能。然而,在像化学与生物工程(CBE)这样的专业科学领域的效果尚未得到充分探索。弥合这一差距需要评估基准,这些基准旨在考察这些领域中LLM的知识和推理能力,而当前缺乏此类基准。为此,我们提供了对LLM在CBE中推理能力的全面实证分析,聚焦于用于碳封存的离子液体(ILs)—一种缓解全球变暖的新兴解决方案。我们开发并公开了由expert精选的5,920个示例数据集,用于评估LLM在该领域的推理能力。数据集包含不同难度水平,在语言复杂度和领域特定知识之间进行平衡。使用该数据集,我们评估了三个参数少于100亿的开源LLM。我们的发现表明,虽然较小的通用LLM在ILs方面表现出基本知识,但缺乏针对高级应用所需的专业化推理技能。基于这些结果,我们讨论了如何提升LLM在碳捕获研究中的实用性,特别是针对ILs。鉴于LLM的显著碳足迹,将其开发与ILs研究结合起来具有独特机遇,可推动两领域的相互进步,并为2050年实现碳中和目标作出贡献。
引用
@article{arxiv.2505.06964,
title = {Bridging AI and Carbon Capture: A Dataset for LLMs in Ionic Liquids and CBE Research},
author = {Gaurab Sarkar and Sougata Saha},
journal= {arXiv preprint arXiv:2505.06964},
year = {2025}
}