LLM prevedono la scalabilità delle sintesi di strutture metallo-organiche
I ricercatori hanno sviluppato ESU-MOF, un dataset e una strategia di apprendimento automatico che ottimizza i grandi modelli linguistici per prevedere il potenziale di scalabilità delle sintesi di strutture metallo-organiche (MOF) con una precisione del 91,4%. Il lavoro affronta il collo di bottiglia tra la scoperta di MOF e la loro implementazione industriale, estraendo informazioni da letteratura frammentata. L'approccio di apprendimento positivo-non etichettato consente un rapido triage basato sui dati per la scoperta industriale di MOF. Lo studio è pubblicato su arXiv (ID 2604.20899) nella categoria Condensed Matter > Materials Science.
Fatti principali
- ESU-MOF è un dataset estratto dalla letteratura per la scalabilità dei MOF.
- I grandi modelli linguistici ottimizzati raggiungono una precisione del 91,4%.
- Viene utilizzata una strategia di apprendimento positivo-non etichettato.
- La sintesi scalabile è un passaggio fondamentale tra la scoperta di MOF e l'implementazione industriale.
- Le conoscenze per il scale-up sono frammentate tra i vari report.
- Il lavoro consente un triage basato sui dati per la scoperta industriale di MOF.
- Pubblicato su arXiv con ID 2604.20899.
- Categorizzato sotto Condensed Matter > Materials Science.
Entità
Istituzioni
- arXiv