GPT-4 demonstrerer en robust forståelse af både fysisk og organisk kemi, skønt dens evner i hvert område har forskellige styrker og begrænsninger.
Fysisk kemi
I fysisk kemi besidder GPT-4 viden på et universitets lærebogsniveau. Det er velbevandret i grundlæggende begreber såsom den ideelle gaslov og Lorentz-Lorentz-ligningen, der definerer brydningsindekset for et stof [1] [5] [7]. Dette forståelsesniveau antyder, at GPT-4 kan anvende grundlæggende principper for fysisk kemi effektivt, hvilket gør det nyttigt til opgaver, der kræver et grundlæggende greb om disse koncepter. Imidlertid udvider dens viden muligvis ikke til mere specialiserede eller avancerede emner, der typisk er dækket af akademiske artikler, da det er begrænset af de data, den blev trænet på, som ikke inkluderer nyere forskning på grund af copyright -begrænsninger [1] [5].
Organisk kemi
GPT-4 udviser også et stærkt greb om organisk kemi, især på lærebogsniveau. Det kan nøjagtigt beskrive syntetiske veje for almindelige forbindelser som acetaminophen, som involverer processer som nitrering, reduktion og amidation [1] [5]. GPT-4's evne til at forstå og forklare disse grundlæggende organiske reaktioner er imponerende, men det kæmper med at tilvejebringe detaljerede eksperimentelle procedurer eller håndtere specialiseret indhold, der kræver avancerede eller unikke syntetiske metoder [1] [3]. Selvom GPT-4 kan forudsige egenskaber ved forbindelser, er det ikke specifikt trænet på, er dens ydeevne til at fortolke komplekse kemiske strukturer eller omdanne dem til standardnotation kun delvis [3].
Sammenligning
Generelt er GPT-4's viden inden for både fysisk og organisk kemi solid på det grundlæggende niveau, hvilket gør det til et værdifuldt værktøj til uddannelsesmæssige formål eller generel problemløsning. Det mangler dog den dybde og specificitet, der er nødvendig til avanceret forskning eller specialiserede applikationer, især sammenlignet med menneskelig ekspertise eller specialiserede beregningsværktøjer. Dets begrænsninger i adgangen til den nylige akademiske litteratur på grund af copyright -spørgsmål begrænser yderligere dens evne til at holde sig opdateret med den seneste udvikling inden for begge områder [1] [3] [5]. På trods af disse begrænsninger er GPT-4's evne til at udføre få-shot-læring og forudsige egenskaber ved ukendte forbindelser en betydelig fordel, hvilket viser sit potentiale for innovation inden for kemisk forskning [1] [3].
Citater:
)
[2] https://pubs.rsc.org/en/content/articlehtml/2024/dd/d4dd00248b
[3] https://phys.org/news/2023-10-tportiful-intelligence-chemistry.html
[4] https://pmc.ncbi.nlm.nih.gov/articles/pmc10918540/
[5] https://chemrxiv.org/engage/api-gateway/chemrxiv/assets/orp/resource/item/647d305dbe16ad5c577b6627/original/prompt-engineering-of-gpt-4-for-chemical-research-what-can-cannot-be-done.pdf
[6] https://pubs.acs.org/doi/10.1021/acs.jchemed.4c00235
[7] https://www.tandfonline.com/doi/full/10.1080/27660400.2023.2260300
[8] https://www.researchgate.net/publication/371163433_what_inded_can_gpt_models_do_in_chemistry_a_comprehensive_benchmark_on_eight_tasks