大語言模型（LLMs）諸如ChatGPT，DeepSeek等，作為生成式人工智能的一種，已在多個科學領域展現出巨大的潛力。近日， 加州大學伯克利分校的 Omar M. Yaghi 課題組發表了一篇題為 Large language models for reticular chemistry（大語言模型助力網狀化學）的觀點文章。該研究探討了大語言模型在網狀化學（Reticular Chemistry）中的應用前景，強調其在文獻挖掘、MOF與COF材料設計、實驗數據分析等方面的潛在變革作用。文章采用教程式（tutorial-style）的方式，幫助零基礎的AI初學者快速學習核心概念，以及用具體案例幫助掌握大語言模型在這些化學與材料實驗任務中的實際應用。圖1：各類框架材料三十年以來文章與結構增長趨勢體現了其結構的復雜多樣性與數據量的龐大，側面反映了該領域內數據挖掘的巨大需求與潛力。網狀化學是通過強共價鍵連接分子單元以形成金屬-有機框架（MOFs）、共價有機框架（COFs）等晶態擴展結構的科學。傳統上，該領域依賴經驗驅動的“合成-表征-應用”模式，但受限于試錯法的低效率和可擴展性問題。LLMs 作為自然語言處理和知識整合工具，可幫助科學家從龐雜的文獻中提取有價值的信息，預測合成路線，并自動解析實驗數據，從而加速科學發現。 文章通過結合2023年以來該領域的相關工作，系統地教學如何將大語言模型用于日常科研與融入課題中。例如，（1）文獻挖掘方面，LLMs 可自動提取 MOFs 和 COFs 的合成參數、拓撲結構等，提高實驗方案制定效率。（2）在合成預測中，通過提示工程、工具增強和微調，LLMs 可優化材料合成預測，并結合計算模擬評估材料性能。（3）在自動化實驗方面，LLMs 在智能實驗室中可自主規劃實驗步驟，優化材料表征流程，提高研究效率。圖3：大語言模型用于MOF的自動文獻閱讀與合成數據挖掘。文章同樣指出，盡管 LLMs 具有廣闊前景，但仍面臨幻覺信息、計算成本高、化學數據庫構建等挑戰。研究者需進一步探索其在材料科學中的應用，以加速新材料的發現和優化。這一研究工作最近在線發表在國際學術期刊Nat. Rev. Mater.（DOI: 10.1038/s41578-025-00772-8）上，鄭志凌博士為該論文的第一作者，Omar Yaghi教授為通訊作者。 Zheng, Z., Rampal, N., Inizan, T.J. et al. Large language models for reticular chemistry. Nat Rev Mater (2025). https://doi.org/10.1038/s41578-025-00772-8
