Pesquisadores da Universidade Tecnológica de Nanyang e seus colaboradores aproveitaram com sucesso o poder do Chat-GPT para agilizar a análise de texto para síntese de estado sólido, com foco em calcogenetos ternários. Esta abordagem inovadora visa desenvolver a síntese de materiais cristalinos de alta qualidade, o que é crucial para o avanço dos dispositivos termoelétricos. Universidade Tecnológica Dr. O estudo, liderado por Kedar Hippelkonger, Dr. Maung Thwe, Sr. Andre Lo, Dr. Haiwen Tai, Dr. Jose Regatala-Gomez e Dr.
A síntese do estado sólido é um método importante para a descoberta de novos materiais inorgânicos, especialmente aqueles utilizados em aplicações termelétricas, que convertem calor em eletricidade. As abordagens tradicionais de síntese baseada em dados exigem extração manual meticulosa e limpeza de métodos de síntese de grandes quantidades de texto. Este processo não é apenas demorado, mas também apresenta uma grande barreira de entrada, especialmente para materiais com literatura escassa.
Para enfrentar esses desafios, a equipe propôs grandes modelos de linguagem (LLMs), como GPT-3.5, para analisar métodos de síntese disponíveis no Chat-GPT e capturar intuitivamente informações essenciais de síntese com base em picos de aquecimento primários e secundários. Ao criar um conjunto de dados com curadoria de especialistas de domínio (padrão ouro), eles projetaram um conjunto de prompts para Chat-GPT replicar esse conjunto de dados (padrão prata) com precisão notável.
A pesquisa se concentrou em um conjunto de calcogenetos ternários como o CuInTe/Se, conhecidos por suas propriedades termoelétricas em temperaturas intermediárias. Do banco de dados de artigos de pesquisa, o Chat-GPT analisou com sucesso uma parte significativa. Este método demonstra a generalização dos LLMs para análise de texto, fornecendo um paradigma potencialmente transformador na síntese e caracterização de novos objetos.
Hippelgonker enfatizou a importância de seu trabalho, dizendo: “Nossa metodologia fornece um modelo para esforços futuros para conectar LLMs com pesquisas em ciência de materiais, revelando um paradigma potencialmente transformador na síntese e caracterização de novos materiais.”
Os pesquisadores extraíram cuidadosamente dados de artigos publicados entre 2000 e 2023, com foco em CuInTe/Se, excluindo métodos como síntese de soluções e o método de Bridgman. Eles identificaram as principais etapas para obter compostos puros: aquecimento primário, aquecimento secundário, recozimento e densificação. Os estímulos são otimizados iterativamente para garantir a extração de detalhes relevantes do pacote em um formato estruturado.
Os dados extraídos permitiram uma análise detalhada das condições de síntese, revelando que o aquecimento secundário, o recozimento e o aquecimento primário afetam significativamente a pureza da fase. Seu classificador de árvore de resultados demonstrou a capacidade de usar aprendizado de máquina para prever efeitos de composição com base em dados analisados por texto.
“Os dados na coleção de estado sólido podem apontar para receitas positivas e conjuntos de dados equilibrados são necessários para avançar no campo”, disse o Dr. Dr. Thwe concordou: “Nosso método demonstra a generalização de grandes modelos de linguagem (LLMs) para análise de texto, especialmente para objetos com literatura escassa”. Seu trabalho demonstrou o potencial do sat-GBT sugerindo uma abordagem prática para a síntese de novos compostos.
A pesquisa ressalta a importância da integração de ferramentas avançadas de IA com métodos tradicionais de ciência de materiais, abrindo caminho para processos de síntese mais eficientes e precisos. O sucesso do Dr. Hippelkonker e sua equipe com o Chat-GPT abre novos caminhos para o desenvolvimento de LLMs em pesquisa científica.
Nota de diário
Maung Thway, Andre KY Low, Samyak Khetan, Haiwen Dai, Jose Recatala-Gomez, Andy Paul Chen e Kedar Hippalgoonkar. “Usando GPT-3.5 para análise de texto em síntese de estado sólido – um estudo de caso de calcogenetos ternários.” Descoberta Digital, 2024. DOI: https://doi.org/10.1039/D3DD00202K
Sobre os professores
Professora Associada Cather Hippelgaonkar Bolsista da NRF (turma de 2021) e nomeado conjuntamente pelo Departamento de Ciência e Engenharia de Materiais da Universidade Tecnológica de Nanyang (NTU) e Cientista Sênior do Instituto de Pesquisa e Engenharia de Materiais (IMRE) do Instituto de Tecnologia e Pesquisa Científica (A*STAR). Ele liderou o programa Accelerated Materials Development for Manufacturing (AMDM) de 2018-2023, com foco no desenvolvimento de novos materiais, processos e otimização usando aprendizado de máquina, IA e computação de alto desempenho e experimentos em materiais e polímeros eletrônicos e plasmônicos. Ele também liderou o Projeto Pharos sobre Termoelétricas Híbridas (Inorgânicas-Orgânicas) para Aplicações Ambientais de 2016-2020. Ele publicou mais de 70 artigos de pesquisa, foi cofundador de uma startup (Xinterra, Inc.), ganhou o prêmio START do Ministério da Educação em 2021 e foi nomeado Investigador Emergente em Química de Materiais em 2019. Ele foi reconhecido como graduado em Ciência e Tecnologia para a Sociedade. Medalha de Prata da Materials Research Society em 2014. Financiado pela A*STAR National Science Scholarship, ele recebeu seu Bacharelado em Ciências (Distinção) em Engenharia Mecânica pela Purdue University em 2003 e sua Filosofia em Engenharia Mecânica pela UC 20 purkeley. Pesquisa sobre os fundamentos de calor, carga e luz em materiais de estado sólido.
Dr. Ele é pesquisador em Aplicações de Análise de Ensino e Aprendizagem para Estudantes (ATLAS) na Universidade Tecnológica de Nanyang. Sua pesquisa inclui o estudo do impacto das aplicações Gen-AI na aprendizagem em nível universitário. Anteriormente, ele foi pesquisador na Escola de Ciência e Engenharia de Materiais sob o comando do professor associado Kedar Hippelkonger, onde desenvolveu métodos para acelerar a descoberta de materiais. Ele recebeu seu PhD em Engenharia Elétrica pela Universidade Nacional de Cingapura em 2020. Sua pesquisa durante o doutorado incluiu fabricação, caracterização e síntese de células solares tandem de perovskita/Si e III-V/Si.
André KY Lo é estudante de mestrado sob a supervisão do Professor Associado Kedar Hippelgonkar no Departamento de Ciência e Engenharia de Materiais da Universidade Tecnológica de Nanyang, Cingapura. Sua tese é sobre o desenvolvimento e aplicação de algoritmos de otimização multiobjetivo restritos para acelerar a descoberta de materiais. Andre possui uma bolsa de pós-graduação A*STAR afiliada ao Instituto de Pesquisa e Engenharia de Materiais. Andre recebeu anteriormente um diploma de bacharel em ciência e engenharia de materiais pela Universidade Tecnológica de Nanyang como orador da turma de formandos de 2021.
José Regatala Gomez Um pesquisador do Departamento de Ciência e Engenharia de Materiais da Universidade Tecnológica de Nanyang, em Cingapura, trabalha no grupo do professor Kedar Hippelkonger. Ele é especialista na integração de IA generativa e aprendizado de máquina com síntese de estado sólido de alto desempenho para descobrir materiais inorgânicos para aplicações energéticas e ambientais. José recebeu seu bacharelado em Química pela Universidad Jam I, Espanha, em 2015, seu mestrado em Materiais Avançados pela Universidad Autónoma de Madrid, Espanha, em 2016, e seu doutorado pela Universidade de Southampton, Inglaterra. (ARAP) e passou dois anos no Instituto de Pesquisa e Engenharia de Materiais (IMRE) em Cingapura.
