Naukowcy z Nanyang Technological University i ich współpracownicy z powodzeniem wykorzystali siłę czatu-GPT, aby usprawnić analizę tekstu dla syntezy w stanie stałym, koncentrując się na trójskładnikowych chalcogenidach. To innowacyjne podejście ma na celu zoptymalizowanie syntezy wysokiej jakości materiałów krystalicznych, kluczowych dla postępów termoelektrycznych. Badanie, prowadzone przez dr Kedara Hippalgaonkar z Nanyang Technological University, z wkładem dr Maung Thway, Mr. Andre Low, dr Haiwen Dai, dr Jose Recatala-Gomez i dr Andy Chen, również z Nanyang Technological University i pan Samyak Khetan z Indian Institute of Technology Bombay został opublikowany w czasopiśmie Digital Discovery.
Synteza półprzewodnikowa jest krytyczną metodą odkrywania nowych materiałów nieorganicznych, szczególnie tych stosowanych w zastosowaniach termoelektrycznych, które przekształcają ciepło na energię elektryczną. Tradycyjne podejścia do syntezy opartej na danych wymagają skrupulatnego ręcznego ekstrakcji i czyszczenia przepisów na syntezę z rozległych ciał tekstu. Proces ten jest nie tylko czasochłonny, ale także stanowi wysoką barierę wejścia, szczególnie w przypadku materiałów o rzadkiej literaturze.
Aby rozwiązać te wyzwania, zespół zaproponował przy użyciu dużych modeli językowych (LLM), takich jak GPT-3.5, dostępny w CHAT-GPT do antysowania przepisów na syntezę, rejestrowanie niezbędnych informacji o syntezy intuicyjnie pod względem pierwotnych i wtórnych pików ogrzewania. Opracowując zestaw danych wyselekcjonowanych domeny (złoty standard), zaprojektowali zestaw podpowiedzi do CHAT-GPT do powtórzenia tego zestawu danych (srebrny standard) z niezwykłą dokładnością.
Badania koncentrowały się na syntezie trójskładnikowych chalkogenów, takich jak Cuinte/SE, znane ze swoich właściwości termoelektrycznych w temperaturach pośrednich. Z bazy danych prac badawczych Chat-GPT z powodzeniem przeanalizował znaczną część, która następnie wykorzystano do opracowania klasyfikatora do przewidywania czystości faz. Metodologia ta pokazuje uogólnienie LLM w zakresie analizowania tekstu, oferując potencjalnie transformacyjny paradygmat w syntezie i charakterystyka nowych materiałów.
Dr Hippalgaonkar podkreślił znaczenie ich pracy, stwierdzając: „Nasza metodologia stanowi mapę drogową dla przyszłych starań, które dążą do połączenia LLM z badaniami nad dziedzinami materiałów, zwiastując potencjalnie transformacyjny paradygmat w syntezie i charakterystyce nowych materiałów”.
Naukowcy skrupulatnie wyodrębnili dane z opublikowanych artykułów w latach 2000–2023, koncentrując się na Cuinte/SE, wykluczając metody takie jak synteza rozwiązań i metoda Bridgman. Zidentyfikowali kluczowe aspekty kluczowe dla osiągnięcia czystych związków: ogrzewanie pierwotne, wtórne ogrzewanie, wyżarzanie i zagęszczenie. Podpowiedzi zostały zoptymalizowane iteracyjnie, zapewniając ekstrakcję odpowiednich szczegółów syntezy w ustrukturyzowanym formacie.
Wyodrębnione dane pozwoliły na kompleksową analizę warunków syntezy, ujawniając, że wtórne ogrzewanie, wyżarzanie i pierwotne ogrzewanie znacząco wpływają na czystość fazy. Ich klasyfikator drzewa decyzyjnego wykazał potencjał korzystania z uczenia maszynowego do przewidywania wyników syntezy na podstawie danych dotyczących tekstu.
„Dane w syntezie w stanie stałym mogą być stronnicze w kierunku pozytywnych przepisów, a zrównoważone zestawy danych są niezbędne do przesunięcia pola do przodu”, powiedział dr Hippalgaonkar. Dr Thway zgodził się powiedzieć: „Nasza metodologia pokazuje możliwość uogólnienia dużych modeli językowych (LLM) do analizowania tekstu, szczególnie w przypadku materiałów o rzadkiej literaturze”. Ich praca wykazała również potencjał czatu do interpolowania i ekstrapolacji warunków syntezy dla podobnych materiałów, co sugeruje praktyczne podejście do syntezy nowych związków.
Badanie to podkreśla znaczenie integracji zaawansowanych narzędzi AI z tradycyjnymi metodologią nauk o materiałach, torując drogę do bardziej wydajnych i dokładnych procesów syntezy. Dr Hippalgaonkar i sukces jego zespołu z Chat-GPT otwiera nowe możliwości wykorzystania LLM w badaniach naukowych, szczególnie w dziedzinach o ograniczonej literaturze i złożonych potrzebach do ekstrakcji danych.
Referencje dziennika
Maung Thway, Andre Ky Low, Samyak Khetan, Haiwen Dai, Jose Recatala-Gomez, Andy Paul Chen i Kedar Hippalgaonkar. „Wykorzystanie GPT-3.5 do analizowania tekstu w syntezie w stanie stałym-studium przypadku trójskładnikowych chalkogenów”. Digital Discovery, 2024. DOI: https://doi.org/10.1039/d3dd00202k
O autorach
Profesor Kedar Hippalgaonkar jest członkiem NRF (klasa 2021) i wspólnym wyznaczonym wydziałem nauk o materiałach i inżynierii na Nanyang Technological University (NTU) oraz jako starszy naukowiec w Institute of Materials Research and Engineering (IMRE) w Agency ds. Technologii Nauki i Badania (*gwiazda). Kierował programem przyspieszonego materiału do produkcji (AMDM) z lat 2018-2023, koncentrując się na rozwoju nowych materiałów, procesów i optymalizacji za pomocą uczenia maszynowego, AI oraz o wysokiej przepustowości obliczeniach oraz eksperymentach w materiałach elektronicznych i plazmonicznych oraz polimerach. Prowadził także program Pharos w dziedzinie termoelektryków hybrydowych (nieorganiczno-organicznych) do zastosowań otoczenia z lat 2016-2020. Opublikował ponad 70 artykułów badawczych, współzałożyciel start-up (Xinterra, Inc.), zdobył nagrodę Ministerstwa Edukacji Start w 2021 r. I został nominowany jako czasopismo Chemistry Materials Emerging w 2019 roku. Został uznany za naukową oraz technologia dla społeczeństwa młodego lidera w Kioto w 2015 r. Za swoje wybitne badania podyplomowe otrzymał Srebrny Medal Materials Research Society w 2014 r. Stypendia, ukończył studia licencjackie (rozróżnienie) z Departamentu Inżynierii Mechanicznej na Uniwersytecie Purdue w 2003 r. I uzyskał doktora filozofii z Departamentu Inżynierii Mechanicznej w UC Berkeley w 2014 r. Podczas studiów doktoranckich przeprowadził badania badawcze, przeprowadził badania badawcze na podstawach ciepła, ładunku i światła w materiałach stałych.
Dr Maung Thway jest pracownikiem naukowym w Aplication of Teaching & Learning Analytics for Students (Atlas) Nanyang Technological University. Jego badania obejmują badanie wpływu zastosowań Gen-AI na uczenie się na poziomie uniwersyteckim. Wcześniej był pracownikiem naukowym w School of Material Science and Engineering pod rządami nadzwyczajnej Kedar Hippalgaonkar, gdzie opracował metodologie w celu przyspieszenia odkrywania materiałów. W 2020 r. Otrzymał stopień doktora inżynierii elektrycznej na National University of Singapur w Singapurze. Jego badania podczas doktora obejmowały produkcję, charakterystykę i integrację ogniw słonecznych Perovskite/Si i III-V/Si.
Andre Ky Low jest studentem podyplomowym w dziale materiałów materiałowych i inżynierii na Nanyang Technological University w Singapurze, nadzorowanym przez profesora Kedara Hippalgaonkara. Jego teza dotyczy opracowywania i zastosowania ograniczonych algorytmów optymalizacji wieloczęściowej do wykrywania materiałów przyspieszających. Andre jest odbiorcą stypendium A*Star Graduate, powiązane z Institute of Materials Research and Engineering. Andre wcześniej zdobył tytuł licencjata w dziedzinie materiałów i inżynierii na Uniwersytecie Technologicznym Nanyang jako Valedictorian w klasie absolwentów z 2021 r.
Jose Recatalà Gómez jest pracownikiem naukowym w dziale materiałów materiałowych i inżynieryjnych na Nanyang Technological University w Singapurze, pracując w zespole profesora Kedara Hippalgaonkara. Specjalizuje się w integracji generatywnej sztucznej inteligencji i uczenia maszynowego z wysokiej przepustowości syntezy w stanie stałym w celu odkrycia materiałów nieorganicznych do zastosowań energetycznych i środowiskowych. Jose zdobył licencjat z chemii z Universitat Jaume I, Hiszpania, w 2015 r., A Master’s Invanced Materials z Universidad Autónoma de Madryt w Hiszpanii w 2016 roku, a doktorat z University of Southampton w Anglii w 2021 r. Został nagrodzony i nagrodzony Stypendium A*Star Research Attitment Program (ARAP) i spędził dwa lata w Institute of Materials Research and Engineering (IMRE) w Singapurze.
