研究背景

    近年来，人工智能在化学和材料研究中的应用日益广泛，尤其是大型语言模型（LLM）在文献信息提取和化学反应预测等方面展现出巨大潜力。然而，目前开源LLM在化学研究中的应用尚未充分探索。本文聚焦于MOFs研究，旨在评估开源LLM在MOFs研究中的应用潜力，为MOFs领域的智能化建设提供模型选择的建议。

主要内容

图 1 LLMs参与MOFs研究的现状和未来，从单一研究过程的整合到未来无人参与的研究模式

    本工作聚焦于金属有机框架(Metal-Organic Frameworks, MOFs)领域的研究，将MOFs的研究过程拆分为11个基本单元，评估了6个整体评价优异的开源LLMs。11个基本任务包括MOFs知识、基础化学知识、深度化学知识、知识提取、数据库读取、材料性能预测、实验设计、计算脚本生成、实验指导、数据分析和论文润色。经过测评，Llama2-7B和ChatGLM2-6B在计算资源消耗适中的情况下具有出色的表现。例如，在实验设计任务中，LLM可以提供合理的反应条件选择和变量设计；在计算脚本生成任务中，LLM可以生成可运行的CP2K输入文件。此外，LLM还可以指导实验和数据分析，如根据实验结果提出下一步建议。

图 2 比较商业模型GPT3.5和开源LLMs在MOFs研究中的表现

    同时，本文还对开源LLM与商业模型GPT3.5进行了比较。结果显示，一些开源模型如ChatGLM2和Llama2与GPT3.5的性能相当，表明开源LLM在MOFs研究中具有巨大应用潜力。

总结与展望

    本文的研究结果表明，开源LLMs可以成为MOFs研究的有力工具，有望改变研究范式。未来，随着LLM模型的不断优化和升级，其在化学研究中的应用将更加广泛，为材料设计、药物发现等领域带来变革。

DOI：10.1021/acs.jcim.4c00065