详细内容或原文请订阅后点击阅览
LLM可以帮助设计我们的下一个药物和材料吗？
一种新方法使用户可以用简单的语言询问具有某些属性的新分子，并收到有关如何合成它的详细说明。
来源:MIT新闻 - 人工智能发现具有创建新药物和材料所需特性的分子的过程繁琐且昂贵，消耗了庞大的计算资源和几个月的人工劳动，以缩小潜在候选者的巨大空间。
大型语言模型（LLM）像chatgpt一样可以简化此过程，但是使LLM能够理解和理论形成分子的原子和键，与形成句子的单词相同的方式，也呈现出一个科学的绊脚石。
MIT和MIT-IBM Watson AI实验室的研究人员创建了一种有前途的方法，该方法通过称为基于图的模型的其他机器学习模型来增强LLM，这些模型是专门设计用于生成和预测分子结构的。
他们的方法采用基本LLM来解释自然语言查询，以指定所需的分子特性。它会在基础LLM和基于图的AI模块之间自动切换，以设计分子，解释基本原理，并生成逐步综合的计划。它交织了文本，图形和综合步骤生成，将单词，图形和反应结合到一个常见的词汇中，以供LLM消耗。
与现有的基于LLM的方法相比，这种多模式技术生成的分子更好地匹配用户规格，并且更有可能具有有效的合成计划，从而将成功率从5％提高到35％。
它还优于其大小超过10倍的LLM，并且仅具有基于文本表示的设计分子和合成路线，这表明多模式是新系统成功的关键。
有关此技术的论文两全其美
大型语言模型不是为了理解化学的细微差别而建立的，这是他们与分子逆设计斗争的原因之一，这是识别具有某些功能或特性的分子结构的过程。
更好，更简单的分子结构