GPT-4 viser en robust forståelse av både fysisk og organisk kjemi, selv om dens evner i hvert område har tydelige styrker og begrensninger.
Fysisk kjemi
I fysisk kjemi besitter GPT-4 kunnskap på et læreboknivå på universitetet. Det er godt kjent med grunnleggende begreper som den ideelle gassloven og Lorentz-Lorentz-ligningen, som definerer brytningsindeksen til et stoff [1] [5] [7]. Dette forståelsesnivået antyder at GPT-4 kan bruke grunnleggende prinsipper for fysisk kjemi effektivt, noe som gjør det nyttig for oppgaver som krever grunnleggende grep om disse konseptene. Imidlertid kan det hende at kunnskapen ikke strekker seg til mer spesialiserte eller avanserte emner som vanligvis er dekket i akademiske artikler, da det er begrenset av dataene den ble opplært på, som ikke inkluderer nyere forskning på grunn av copyright -begrensninger [1] [5].
Organisk kjemi
GPT-4 viser også et sterkt grep om organisk kjemi, spesielt på læreboknivå. Det kan beskrive syntetiske veier nøyaktig for vanlige forbindelser som acetaminophen, som involverer prosesser som nitrering, reduksjon og amidering [1] [5]. GPT-4s evne til å forstå og forklare disse grunnleggende organiske reaksjonene er imponerende, men det sliter med å gi detaljerte eksperimentelle prosedyrer eller håndtere spesialisert innhold som krever avanserte eller unike syntetiske metoder [1] [3]. I tillegg, mens GPT-4 kan forutsi egenskaper til forbindelser den ikke er spesifikt trent på, er ytelsen til å tolke komplekse kjemiske strukturer eller konvertere dem til standardnotasjon bare delvis [3].
Sammenligning
Totalt sett er GPT-4s kunnskap innen både fysisk og organisk kjemi solid på grunnleggende nivå, noe som gjør det til et verdifullt verktøy for utdanningsformål eller generell problemløsing. Imidlertid mangler det dybden og spesifisiteten som er nødvendig for avansert forskning eller spesialiserte applikasjoner, spesielt sammenlignet med menneskelig kompetanse eller spesialiserte beregningsverktøy. Begrensningene i tilgang til nyere akademisk litteratur på grunn av opphavsrettsspørsmål begrenser ytterligere evnen til å holde seg oppdatert med den siste utviklingen på begge felt [1] [3] [5]. Til tross for disse begrensningene, er GPT-4s evne til å utføre få skuddlæring og forutsi egenskaper til ukjente forbindelser en betydelig fordel, og viser frem potensialet for innovasjon innen kjemisk forskning [1] [3].
Sitasjoner:
[1] https://ai-scholar.tech/en/articles/large-ganguage-models/prompt-chemical-research
[2] https://pubs.rsc.org/en/content/articlehtml/2024/dd/d4dd00248b
[3] https://phys.org/news/2023-10-gpt-artificial-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/iginal/prompt-engineing-of-be-e-p-por-how-hvearching-hing-hing-nt-thow-nt-thing-gpt-gpt-de-promical/promprome
[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_indeed_can_gpt_models_do_in_chemistry_a_comprehensive_benchmark_on_eight_tasker