跨越新边界：基于知识增强的大型语言模型提示词用于零样文本条件 de novo 分子设计
计算与语言
2024-08-23 v1 人工智能
机器学习
生物大分子
摘要
分子设计是一种利用计算方法和实验进行优化的方法，可加速新药发现、创新材料开发以及更高效的化学工艺。最近，受到下一代类 vision-language 模型任务的启发，文本式分子设计逐渐兴起。本研究探讨了使用知识增强式提示词对大型语言模型（LLM）进行零样文本条件 de novo 分子生成任务。我们的 метод使用任务特定的指令和少量示例，以应对构建用于查询 LLM 生成与技术描述一致的分子的增强提示词时的分布迁移挑战。我们的框架表明有效，超过了基准模型在基准数据集上的性能。
引用
@article{arxiv.2408.11866,
title = {Crossing New Frontiers: Knowledge-Augmented Large Language Model Prompting for Zero-Shot Text-Based De Novo Molecule Design},
author = {Sakhinana Sagar Srinivas and Venkataramana Runkana},
journal= {arXiv preprint arXiv:2408.11866},
year = {2024}
}
备注
Paper was accepted at R0-FoMo: Robustness of Few-shot and Zero-shot Learning in Foundation Models, NeurIPS-2023. Please find the links: https://sites.google.com/view/r0-fomo/accepted-papers?authuser=0 and https://neurips.cc/virtual/2023/workshop/66517