化工领域的局部部署链路思考（CoT）推理模型：基于 30 条实验数据
机器学习
2025-02-19 v1 应用统计
摘要
在化工领域，传统的数据处理和预测方法面临诸多挑战。机器学习和大语言模型（LLM）也各自存在局限。本文探索了链路思考（Chain-of-Thought, CoT）推理模型在化工中的应用，起始于 30 条实验数据。通过将高斯过程等传统替代模型与 DeepSeek-R1 等强大的 LLM 集成，提出了一种分层架构。研究了两种 CoT 构建方法：大语言模型链路思考（LLM-CoT）和机器学习-大语言模型链路思考（ML-LLM-CoT）。LLM-CoT 将本地模型 DeepSeek-r1:14b 和 Qwen2:7b 与 Ollama 结合；ML-LLM-CoT 将预训练的高斯 ML 模型集成到 LLM 基于 CoT 的框架中。我们的结果表明，在构建阶段，ML-LLM-CoT 更高效。仅需 2 次需重新思考，总计 4 次重新思考次数，而 LLM-CoT 需要 5 个需重新思考的点，总计 34 次。对于 20 种结构不一致的分子溶解度预测，分别为高斯模型、LLM-CoT 和 ML-LLM-CoT，溶解度偏差高于 100% 的分子数量分别为 7、6 和 4。结果表明，ML-LLM-CoT 在控制高偏差分子数量、优化平均偏差、提高溶解度判断成功率方面表现更佳，为化工和分子属性预测提供了更可靠的方法。该研究突破了传统方法的局限，为化工快速属性预测和工艺优化提供了新解决方案。
引用
@article{arxiv.2502.12383,
title = {Locally-Deployed Chain-of-Thought (CoT) Reasoning Model in Chemical Engineering: Starting from 30 Experimental Data},
author = {Tianhang Zhou and Yingchun Niu and Xingying Lan and Chunming Xu},
journal= {arXiv preprint arXiv:2502.12383},
year = {2025}
}
备注
Code is avaliable upon request