从词语到分子：化学领域大语言模型综述
机器学习
2024-02-05 v1 人工智能
生物大分子
定量方法
摘要
近年来，大语言模型（LLMs）在自然语言处理（NLP）及众多交叉学科领域取得了显著成功。然而，将LLMs应用于化学是一项需要专门领域知识的复杂任务。本文深入探讨了将LLMs整合到化学领域所采用的细致方法论，剖析了这一交叉学科结合点的复杂性与创新之处。具体而言，我们的分析首先考察了如何通过各种表示和分词方法将分子信息输入LLMs。然后，我们根据输入数据的领域和模态将化学LLMs分为三个不同类别，并讨论了为LLMs整合这些输入的方法。此外，本文深入探讨了针对化学LLMs的预训练目标及其适应性调整。之后，我们探索了LLMs在化学中的多样化应用，包括其在化学任务中应用的新范式。最后，我们指出了有前景的研究方向，包括与化学知识的进一步整合、持续学习的进展以及模型可解释性的提升，为该领域的突破性发展铺平道路。
引用
@article{arxiv.2402.01439,
title = {From Words to Molecules: A Survey of Large Language Models in Chemistry},
author = {Chang Liao and Yemin Yu and Yu Mei and Ying Wei},
journal= {arXiv preprint arXiv:2402.01439},
year = {2024}
}
备注
Submitted to IJCAI 2024 survey track