详细内容或原文请订阅后点击阅览
从文本到试管：GPT-3.5 驱动固态合成
南洋理工大学的研究人员及其合作者成功利用 Chat-GPT 的强大功能简化了固态合成的文本解析，重点研究了三元硫族化物。这种创新方法旨在优化高质量晶体材料的合成，这对于推进热电设备的发展至关重要。这项研究由南洋理工大学的 Kedar Hippalgaonkar 博士领导，[…]
来源:科学特色系列南洋理工大学的研究人员及其合作者成功利用 Chat-GPT 的强大功能简化了固态合成的文本解析，重点关注三元硫族化物。这种创新方法旨在优化高质量晶体材料的合成，这对于推进热电设备的发展至关重要。这项研究由南洋理工大学的 Kedar Hippalgaonkar 博士领导，南洋理工大学的 Maung Thway 博士、Andre Low 先生、Haiwen Dai 博士、Jose Recatala-Gomez 博士和 Andy Chen 博士以及印度理工学院孟买分校的 Samyak Khetan 先生也参与其中，研究结果发表在《数字发现》杂志上。
固态合成是发现新无机材料的关键方法，特别是用于热电应用的材料，这些材料将热量转化为电能。传统的数据驱动合成方法需要从大量文本中细致地手动提取和清理合成配方。这个过程不仅耗时，而且门槛很高，尤其是对于文献稀少的材料。
为了应对这些挑战，该团队建议使用大型语言模型 (LLM)，例如 GPT-3.5，可在 Chat-GPT 中用于解析合成配方，以初级和次级加热峰的形式直观地捕获必要的合成信息。 通过开发领域专家策划的数据集（黄金标准），他们为 Chat-GPT 设计了一个提示集，以惊人的准确性复制该数据集（银标准）。
Hippalgaonkar 博士强调了他们工作的重要性，他说：“我们的方法为未来寻求将 LLM 与材料科学研究相结合的努力提供了路线图，预示着新型材料合成和表征的潜在变革范式。”