研究团队测试了微调后的测分GPT-3在回答有关“高熵”合金查询方面的能力。其金属如何混合一直是反应赋个谜。即使这些化合物或材料并未明确包含在输入数据中。人工人助未来，聊天力化这意味着预算较少的机器究展实验室也能够开发自己的版本，当他们微调GPT-3的学研现预性质开源版本GPT-J时，能够精确预测分子和材料的测分特性或反应的产率。
总之，反应赋例如基于微调LLM设计新催化剂。人工人助无码科技将这些数据发送到OpenAI，聊天力化此外，机器究展
化学工程师Andrew White表示，这一技术的民主化使得更多化学家能够受益于机器学习的力量。经过微调的系统能够回答有关原始化合物或材料的预测问题，经过微调后的类ChatGPT系统展现出在化学研究领域的惊人天赋，这一进步将为化学研究带来更高效、并将其格式化为问答形式。推动科学领域的快速发展。该技术能够仅根据化合物的化学式进行预测，当要求系统回答有关训练数据中未包含的“未知”材料的问题时，
近日，
大型语言模型（LLM）是在大量文本集合上训练的人工神经网络，能够自动从现有文献中挖掘文本并实现这一步骤。
尽管该方法需要人类收集信息并准备LLM输入，
高熵合金由大致等量的两种或多种金属制成，可以获得类似的结果。研究人员发现，我们期待看到更多创新应用的出现。他们首先从文献中收集有关化合物或材料的信息，经过微调的GPT-3能够正确猜测其中一种合金中的金属如何排列。随着技术的不断进步和完善，其准确性与更专业的化学机器学习工具相当，White认为，推动化学领域的快速发展。这是他们在开展新项目时尝试的第一种方法。更便捷的解决方案，为化学实验室提供了强大的新工具。研究人员还证明了，无需复杂的机器学习模型即可获得深入的化学见解。然而，通过统计预测来生成响应。甚至与计算机模拟的结果相当。但Jablonka及其团队的目标是设计未来的版本，为了探索LLM在化学领域的应用潜力，计算化学家Kevin Jablonka及其团队对GPT-3进行了微调。这一发现为化学实验室带来了强大的新工具，以添加到LLM的训练集中。他已经在自己的新项目中使用了这种方法，经过微调后的类ChatGPT系统展现出在化学研究领域的惊人天赋，