Nature Communications· 2026Q1
Eğitimsiz LLM Yaklaşımı Laboratuvar Prosedürlerini Otomatik Olarak Çıkarıyor
A training-free, domain-extensible LLM-based approach for automated extraction of standardized preparation procedures
- 2atıf
- Q1SCImago
- 2026yıl
Kısa özet
Yeni bir eğitime gerek duymayan iş akışı, standartlaştırılmış laboratuvar hazırlık prosedürlerini yapılandırılmamış metinlerden çıkarmak için Büyük Dil Modellerini (LLM'ler) ve açık eylem setlerini kullanır; zeolit sentezinde mevcut araçları geride bırakır ve diğer alanlardaki en gelişmiş modellerle eşleşir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- LLM'ler ve açık eylem setleri kullanarak laboratuvar prosedürlerini çıkarmak için eğitime gerek duymayan bir iş akışı geliştirildi.
- Yaklaşım, yapılandırılmamış sentez prosedürlerini başarıyla standartlaştırdı ve zeolit sentezinde mevcut açık kaynaklı araçları geride bıraktı.
- En gelişmiş, alana özgü modellerle eşleşen performans elde edildi, bu da LLM genellemesinin altını çiziyor.
- Kimyagerlerin minimum çabayla laboratuvar prosedürlerini doğru bir şekilde dijitalleştirmeleri için açık algoritmalar ve bir metodoloji sunuyor.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Abstract Millions of synthesis procedures have been published, but their meta-analysis (e.g., to identify successful synthesis patterns) is troublesome due to the variety of reporting structures. Mapping unstructured language to a precise sequence of actions requires an understanding of domain-specific jargon, a challenge usually addressed by fine-tuning models on labeled data. Herein, we present a simple, training-free workflow for laboratory action extraction that works across fields. It encodes domain knowledge through explicit action sets and uses powerful, readily available Large Language Models (LLMs). Applied to zeolite synthesis, our approach outperforms existing open-source tools and delivers context-aware results with open, locally runnable LLMs. It also matches the performance of state-of-the-art, field-specific models in their own domains, highlighting the generalization ability of current LLMs. With our methodology and open algorithms, chemists can evaluate actions sets, screen LLMs for their specific needs, and accurately digitize laboratory procedures with minimal effort.
Yazarların özeti; kaynağından alınmıştır. Nature Communications, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Yapay Zeka
Artificial IntelligenceComputer Science