通过提示工程将化学知识集成到大型语言模型中
计算与语言
2024-04-24 v1 人工智能
摘要
本文提出了一种研究方法，通过提示工程将领域特定知识集成到大型语言模型（LLM）中，以提升其在科学领域的性能。构建了一个包含小分子复杂物理化学性质及其药理学可达性、酶和晶体材料功能属性等要素的基准数据集，凸显了其在生物学和化学领域的相关性与适用性。我们的方法在多个指标上（包括能力、准确率、F1分数和幻觉降低）均优于传统提示工程策略。通过对MacMillan催化剂、紫杉醇和锂钴氧化物等复杂材料的案例研究，证明了该方法的有效性。结果表明，领域知识提示可以引导LLM生成更准确、更相关的响应，凸显了在配备领域特定提示后，LLM作为科学发现和创新的强大工具的潜力。本文还讨论了该方法的局限性及未来发展方向。
引用
@article{arxiv.2404.14467,
title = {Integrating Chemistry Knowledge in Large Language Models via Prompt Engineering},
author = {Hongxuan Liu and Haoyu Yin and Zhiyao Luo and Xiaonan Wang},
journal= {arXiv preprint arXiv:2404.14467},
year = {2024}
}
备注
43 pages, 17 figures