基于大语言模型的MOFs合成条件提取：少样本演示方法
计算与语言
2025-02-26 v2 人工智能
摘要
从文献中提取金属有机框架（MOFs）合成路线对于设计具有理想功能的逻辑MOFs至关重要。近期大语言模型（LLMs）的出现为这一长期存在的问题提供了颠覆性的新解决方案。虽然最新研究大多依赖于缺乏专业材料知识的原始零样本LLMs，但我们在本工作中引入了少样本LLM上下文学习范式。首先，提出了一种人机交互的数据整理方法以确保高质量的演示。其次，应用信息检索算法为每次提取挑选和量化少样本演示。在从近90,000个定义明确的MOFs中随机采样的三个数据集上，我们进行了三重评估以验证我们的方法。所提出的少样本LLMs在合成提取、结构推断和材料设计性能方面均显著优于零样本LLMs和基线方法。由LLM引导的实验室合成材料在比表面积这一关键物理特性上超过了文献中报道的91.1%同类别高质量MOFs。
引用
@article{arxiv.2408.04665,
title = {LLM-based MOFs Synthesis Condition Extraction using Few-Shot Demonstrations},
author = {Lei Shi and Zhimeng Liu and Yi Yang and Weize Wu and Yuyang Zhang and Hongbo Zhang and Jing Lin and Siyu Wu and Zihan Chen and Ruiming Li and Nan Wang and Zipeng Liu and Huobin Tan and Hongyi Gao and Yue Zhang and Ge Wang},
journal= {arXiv preprint arXiv:2408.04665},
year = {2025}
}