利用大型语言模型进行光合作用研究的知识合成
计算与语言
2025-02-04 v1 人工智能
摘要
生物数据分析工具和大型语言模型（LLMs）的发展为在植物科学研究中利用人工智能开辟了新的可能性，并有望在知识整合和研究空白识别方面做出重大贡献。尽管如此，当前的 LLMs 难以处理光合作用研究中复杂的生物数据和理论模型，并且常常无法提供准确的科学背景。因此，本研究提出了一种基于 OpenAI 的 GPT-4o 的光合作用研究助手（PRAG），该助手采用了检索增强生成（RAG）技术和提示优化。在提示优化过程中使用了向量数据库和自动化反馈回路，以提高对光合作用相关查询响应的准确性和相关性。PRAG 在与科学写作相关的五项指标上平均提高了 8.7%，其中来源透明度提高了 25.4%。此外，其科学深度和领域覆盖范围与光合作用研究论文相当。使用知识图谱来构建 PRAG 对数据库内外论文的响应，这使得 PRAG 能够将关键实体分别与 63% 的数据库论文和 39.5% 的测试论文相匹配。PRAG 可应用于光合作用研究和更广泛的植物科学领域，为更深入的数据分析和预测能力铺平道路。
引用
@article{arxiv.2502.01059,
title = {Knowledge Synthesis of Photosynthesis Research Using a Large Language Model},
author = {Seungri Yoon and Woosang Jeon and Sanghyeok Choi and Taehyeong Kim and Tae In Ahn},
journal= {arXiv preprint arXiv:2502.01059},
year = {2025}
}
备注
17 pages, 6 figures