化学：使用大型语言模型进行自主化学研究

化学：使用大型语言模型进行自主化学研究 化学：使用大型语言模型进行自主化学研究 Modified May 28 这张图表是一张复杂的科学研究图表，涉及到化学反应、计算机编程、数据分析和实验设计等多个方面。图表中包含了多个部分，每个部分都有其特定的含义和作用。以下是对图表各部分的简要解释： A. 实验设计和编程 • A1: 展示了一个开源的液体处理系统，用于在实验中自动化地处理液体。 • A2: 描述了一个实验规划器，用于设计和规划实验流程。 • A3: 提供了一个Python编程接口，用于执行代码。 • A4: 展示了一个基于Google搜索API的网络搜索器，用于在互联网上检索信息。 B. 化学反应 • B1 B4: 展示了不同的化学试剂和它们在板上的位置。 • C1 C2, D1 D2: 展示了不同的化学反应和产物。 C. 实验操作 • C: 展示了液体处理器的具体操作，包括左右通道的设置和使用的试剂量。 D. 用户交互 • D: 描述了用户提示和规划器输出的交互过程，用户根据提示输入信息，规划器则提供实验的最佳条件。 E. 数据分析 • E: 展示了不同化学反应的数据分析结果，包括Diels Alder反应、Michael反应等，以及它们的总反应数和有效反应数。 F. 反应比较 • F: 对比了Suzuki和Sonogashira两种化学反应的特点，包括反应率、所需的活性剂、副反应等。 G. 反应条件 • G: 展示了Suzuki和Sonogashira反应的不同条件，如反应剂的可用性、离去基团、副反应等。 H. 参考资料 • H: 提供了一系列参考网站，可能用于获取更多关于化学反应和实验设计的信息。 I. 质谱分析 • I: 展示了质谱分析的结果，用于验证化学反应产物的正确性。 J. 质谱对比 • J: 对比了标准质谱和实验质谱，以确保实验结果的准确性。 整体来看，这张图表可能是一篇科学论文或研究报告的一部分，用于展示如何利用计算机辅助技术和自动化工具来设计、执行和分析化学实验。图表中的信息非常丰富，涉及到化学、生物技术、计算机编程和数据科学等多个领域。 这张图是一张复杂的科学研究图表，包含了多个子图和说明文字，主要展示了使用GPT 4和GPT 3.5模型进行优化实验的结果。图中的化学反应示意图、曲线图和表格数据共同描述了模型在化学合成中的应用和性能。 图表内容概述 化学反应示意图 (a) • 展示了一个特定的有机化学反应，其中包含了反应物、催化剂、溶剂和产物。 优化曲线图 (c, d, f, h) • 这些曲线图比较了使用GPT 4和GPT 3.5模型进行优化时的性能，包括有无先验信息的情况。 • 曲线图中的y轴表示标准化优势，x轴表示迭代次数。 • 不同的线条代表不同的优化策略，如贝叶斯优化、随机选择等。 化学反应方程式 (e) • 展示了另一种化学反应的方程式，包括反应物、催化剂和产物。 文本框 (g) • 提供了对实验结果的文字解释，包括观察到的现象和结论。 图表详细解读 图 (c) GPT 4优化曲线 • 展示了GPT 4模型在有和无先验信息情况下的性能对比。 • 先验信息提供了初始条件的优势，随着迭代次数的增加，模型不断改进策略。 图 (d) GPT 4和GPT 3.5优化曲线 • 对比了GPT 4和GPT 3.5在无先验信息情况下的性能。 • GPT 4表现出更好的优化能力，尽管GPT 3.5在迭代初期有较小的样本数量。 图 (f) GPT 4优化曲线（化合物名称和SMILES字符串） • 分析了GPT 4在优化化合物时的性能，无论是使用化合物名称还是SMILES字符串表示。 图 (h) GPT 4优化曲线（不同信息类型） • 进一步细分了GPT 4在处理不同类型信息时的优化能力，包括化合物名称和SMILES字符串。 结论 • GPT 4模型在化学合成优化方面表现出色，尤其是在有先验信息的情况下。 • 先验信息和模型的迭代学习能力对于提高合成效率至关重要。 • 文本框中的说明提供了对实验结果的额外解释，强调了模型性能的关键观察点。 整体而言，这张图表是对人工智能模型在化学合成优化中应用的一项研究，展示了模型性能的多个方面，并通过实验数据支持研究结论。 这张图表是一张复杂的科学研究图表，涉及到化学反应、计算机编程、数据分析和实验设计等多个方面。图表中包含了多个部分，每个部分都有其特定的含义和作用。以下是对图表各部分的简要解释： A. 实验设计和编程 • A1: 展示了一个开源的液体处理系统，用于在实验中自动化地处理液体。 • A2: 描述了一个实验规划器，用于设计和规划实验流程。 • A3: 提供了一个Python编程接口，用于执行代码。 • A4: 展示了一个基于Google搜索API的网络搜索器，用于在互联网上检索信息。 B. 化学反应 • B1 B4: 展示了不同的化学试剂和它们在板上的位置。 • C1 C2, D1 D2: 展示了不同的化学反应和产物。 C. 实验操作 • C: 展示了液体处理器的具体操作，包括左右通道的设置和使用的试剂量。 D. 用户交互 • D: 描述了用户提示和规划器输出的交互过程，用户根据提示输入信息，规划器则提供实验的最佳条件。 E. 数据分析 • E: 展示了不同化学反应的数据分析结果，包括Diels Alder反应、Michael反应等，以及它们的总反应数和有效反应数。 F. 反应比较 • F: 对比了Suzuki和Sonogashira两种化学反应的特点，包括反应率、所需的活性剂、副反应等。 G. 反应条件 • G: 展示了Suzuki和Sonogashira反应的不同条件，如反应剂的可用性、离去基团、副反应等。 H. 参考资料 • H: 提供了一系列参考网站，可能用于获取更多关于化学反应和实验设计的信息。 I. 质谱分析 • I: 展示了质谱分析的结果，用于验证化学反应产物的正确性。 J. 质谱对比 • J: 对比了标准质谱和实验质谱，以确保实验结果的准确性。 整体来看，这张图表可能是一篇科学论文或研究报告的一部分，用于展示如何利用计算机辅助技术和自动化工具来设计、执行和分析化学实验。图表中的信息非常丰富，涉及到化学、生物技术、计算机编程和数据科学等多个领域。 这张图是一张复杂的科学研究图表，包含了多个子图和说明文字，主要展示了使用GPT 4和GPT 3.5模型进行优化实验的结果。图中的化学反应示意图、曲线图和表格数据共同描述了模型在化学合成中的应用和性能。 图表内容概述 化学反应示意图 (a) • 展示了一个特定的有机化学反应，其中包含了反应物、催化剂、溶剂和产物。 优化曲线图 (c, d, f, h) • 这些曲线图比较了使用GPT 4和GPT 3.5模型进行优化时的性能，包括有无先验信息的情况。 • 曲线图中的y轴表示标准化优势，x轴表示迭代次数。 • 不同的线条代表不同的优化策略，如贝叶斯优化、随机选择等。 化学反应方程式 (e) • 展示了另一种化学反应的方程式，包括反应物、催化剂和产物。 文本框 (g) • 提供了对实验结果的文字解释，包括观察到的现象和结论。 图表详细解读 图 (c) GPT 4优化曲线 • 展示了GPT 4模型在有和无先验信息情况下的性能对比。 • 先验信息提供了初始条件的优势，随着迭代次数的增加，模型不断改进策略。 图 (d) GPT 4和GPT 3.5优化曲线 • 对比了GPT 4和GPT 3.5在无先验信息情况下的性能。 • GPT 4表现出更好的优化能力，尽管GPT 3.5在迭代初期有较小的样本数量。 图 (f) GPT 4优化曲线（化合物名称和SMILES字符串） • 分析了GPT 4在优化化合物时的性能，无论是使用化合物名称还是SMILES字符串表示。 图 (h) GPT 4优化曲线（不同信息类型） • 进一步细分了GPT 4在处理不同类型信息时的优化能力，包括化合物名称和SMILES字符串。 结论 • GPT 4模型在化学合成优化方面表现出色，尤其是在有先验信息的情况下。 • 先验信息和模型的迭代学习能力对于提高合成效率至关重要。 • 文本框中的说明提供了对实验结果的额外解释，强调了模型性能的关键观察点。 整体而言，这张图表是对人工智能模型在化学合成优化中应用的一项研究，展示了模型性能的多个方面，并通过实验数据支持研究结论。 📣 作者： xiaoming 乐谷说 2023 12 23 23:00 https://mp.weixin.qq.com/s/a0q tRzqHdk rYl94DssBg 欢迎关注公众号，对最新的论文都有解读，更新频繁 作者： xiaoming 乐谷说 2023 12 23 23:00 https://mp.weixin.qq.com/s/a0q tRzqHdk rYl94DssBg 欢迎关注公众号，对最新的论文都有解读，更新频繁 使用大型语言模型进行自主化学研究 原创 xiaoming 乐谷说 2023 12 23 23:00 文章地址：https://www.nature.com/articles/s41586 023 06792 0 nature前几天发来王炸，论文标题《Autonomous chemical research with large language models》，趁着周末读了一下。图里的意思大概可以这么理解。 这张图片展示了一个名为“Coscientist”的人工智能系统的工作流程图，该系统用于自动化化学研究。图中描述了从一个简单的人类提示开始，到实验结束的整个过程。具体步骤包括： 文献搜索（Literature search）：当被问及是否能合成某个分子A时，Coscientist首先会在互联网上搜索相关的合成路线。 协议选择（Protocol selection）：接着，Coscientist会根据搜索结果制定实验协议。 翻译成代码（Translation into code）：然后，Coscientist会将实验协议写成代码，以指导自动化实验设备。 实验（Experiment）：最后，机器人根据代码执行实验任务。 这个过程是可迭代的，意味着Coscientist可以根据实验结果调整协议，以改进实验并实现预期目标。这个系统利用大型语言模型来规划和实施化学任务，展示了人工智能在化学研究中的应用潜力。 价值在于： 1. GPT在自动化化学研究方面也有极高的潜力。 2. 人们自然语言提需求（目标），GPT帮你读论文，生成方法，生成代码，运行程序，改变配方配比，观察实验结果，反馈实验结果，对比与目标是否一致，如果不一致该怎么微调更新，更新之后，继续循环。达到目标之后，给人类反馈结果和方法（或直接用于工业制造进入大生产）。 3. 未来，稀缺的不是执行，而是目标。 核心观点如下： 这张图是一个复杂的流程图，它展示了一个科学实验自动化系统的工作流程。流程图分为三个主要部分，标记为a、b和c。 a部分 这部分展示了从科学家的输入提示开始，通过不同的模块和步骤，直到实验自动化的整个过程。流程包括使用谷歌搜索API、浏览器、代码提交和执行、实验规划、文档搜索和索引检索等。这里涉及到的技术包括Docker容器、Python编程语言和硬件API文档。流程图中还指出了哪些模块使用了大型语言模型（LLMs）。 b部分 这部分列出了为了验证代理（可能是指自动化系统或软件代理）而执行的实验，以及在线搜索有机合成的过程。还包括执行交叉偶联反应和优化反应条件的步骤。 c部分 这部分是流程图的实际应用场景的照片，显示了实验室中的设备和计算机。照片中标注了加热 振荡模块、液体处理器的移液管和一台笔记本电脑，笔记本电脑上显示的界面可能是用于控制实验流程的软件。整体来看，这张图描绘了一个科学实验流程的自动化，从科学家的输入到实验的执行和文档化，涉及到软件和硬件的交互。这可能是一个实验室信息管理系统（LIMS）或类似系统的示例，它使用计算机技术和自动化设备来提高实验的效率和准确性。 这张图是一篇科学论文中的一部分，展示了几个不同的大型语言模型（LLMs）在化学合成规划任务中的性能比较。图中包含了三个主要部分： a. 性能比较 这部分是一个条形图，显示了不同模型在化学合成任务中的正确性得分，以及任务的复杂性。模型包括不同版本的GPT 3（如search gpt 3.5 turbo和gpt 4），以及其他模型如claude 1.3和falcon 40b instruct。条形图上的点表示平均得分，而误差线表示标准差。颜色代表不同的模型，而任务复杂性由底部的蓝色点数表示。灰色虚线表示可接受的性能阈值。 b. 化学合成步骤示例 这部分展示了两个例子，说明了模型在生成硝基苯胺合成步骤时的性能。左边的例子展示了GPT 3.5在没有搜索功能时生成的不正确但在化学上有意义的合成步骤。右边的例子展示了GPT 4在包含详细实验步骤的情况下生成的正确合成步骤。 c. 正确与错误的合成逻辑 这部分提供了四个合成逻辑的例子，包括正确和错误的合成步骤。左上角的例子展示了GPT 4在没有搜索功能时生成的不正确且在化学上没有意义的合成步骤，用红色的数字1标记。右上角的例子展示了正确的合成逻辑，但没有试剂和实验步骤，用绿色的数字3标记。整体而言，这张图表旨在比较不同模型在化学合成规划任务中的能力，并通过实例展示它们在生成合成步骤时的准确性和逻辑性。 这张图是一个关于文档搜索的概览，展示了如何通过编程接口（API）文档来实现代码的自动生成。图中分为四个部分，分别标记为a、b、c、d，每个部分代表了不同的实现和示例。 a. OT 2实现 这部分展示了OT 2机器人的API文档搜索过程。当规划器（Planner）发出请求时，系统会将查询转换为嵌入向量（Query embedding），并与预先编译的API文档部分的文本嵌入向量进行向量搜索。搜索结果将帮助生成有效的OT 2 API代码，如右侧的代码示例所示。 b. 有效的OT 2 API代码 这是OT 2 API的有效代码示例，展示了如何正确使用加热器 振荡器模块。代码中包含了设置目标温度、等待温度达到、设置和等待振荡速度、关闭加热器和振荡器以及打开实验室仓门的函数调用。 c. ECL实现 这部分展示了初始云实验室（ECL）API文档搜索过程。与OT 2实现类似，规划器发出请求，系统将查询转换为嵌入向量，并与ECL实验功能的文本嵌入向量进行向量搜索。搜索结果将辅助生成有效的ECL SLL（符号实验室语言）代码。 d. 有效的ECL SLL代码 这是ECL SLL的有效代码示例，用于执行高效液相色谱（HPLC）实验。代码中包含了实验HPLC函数调用，其中设置了样本对象和仪器模型，这些都是由规划器设置的目标实验选项。总体来说，这张图表展示了如何通过查询API文档来自动生成特定硬件平台的代码，这对于自动化实验流程和提高实验室工作效率非常有帮助。通过这种方式，可以减少编程错误，并加速从实验设计到执行的过程 这张图展示的是一个机器人液体处理系统的控制能力和与分析工具的集成。图中的每个小部分（标记为b、c、d和e）展示了使用该系统进行的不同实验操作的示例，以及相应的结果。 • a部分：提供了系统配置的概览，包括开源液体处理系统、UV Vis平板读取器、实验规划器、文档和代码执行等组成部分。 • b部分：展示了如何使用食品色素在96孔板中心绘制一个红色十字。 • c部分：展示了如何在96孔板上每隔一行涂上所选颜色。 • d部分：展示了如何在96孔板的左上角绘制一个3x3的黄色矩形。 • e部分：展示了如何从96孔板的左下角（H1）开始绘制一条蓝色对角线。 每个操作的描述旁边都有一个对应的图像，显示了实际的96孔板和完成的操作结果。这些操作说明了机器人系统如何精确地控制液体的分配，以实现特定的图案和颜色分布。搜索结果提供的信息主要是关于机器人系统的组成和功能，但并没有直接关联到这张图的内容。这张图更多地与实验室自动化和机器人在生物技术或化学分析中的应用相关，而搜索结果则更侧重于机器人的结构和控制系统。因此，这张图的含义需要结合图中的文字描述和图像来理解，而不是依赖搜索结果中的信息。