网状化学Reticular chemistry，将分子构建单元，连接成晶体延伸结构（如金属-有机MOF框架和共价有机COF框架）。
大型语言模型Large language models (LLMs)是一种生成式人工智能系统，从文献中提取知识、设计材料以及收集和解释实验数据，以增强网状化学的实验室研究，最终加速科学发现。
近日，美国加利福尼亚大学伯克利分校（University of California，Berkeley）Zhiling Zheng (郑志凌)， Omar M. Yaghi等，在Nature Reviews Materials上发表评述文章，探讨了在研究中应用大型语言模型LLM概念和方法，包括快速工程、知识和工具增强和微调过程。
还讨论了“化学感知chemistry-aware”模型，针对特定任务进行定制，并整合到现有的网状化学实践中，将由经验知识驱动的传统“制造、表征、使用”协议转变为基于发现合成-结构-性质-性能关系的科研循环。
还探讨了将模块化大型语言模型LLM代理集成到多代理实验室系统（如自驱动机器人实验室self-driving robotic laboratories）中，以简化劳动密集型任务，以及利用大型语言模型LLM，将生成人工智能和数据驱动工作流程应用于结晶等具有挑战性的研究问题。
这一研究，为计算化学家和实验化学家提供了必要的见解，在网状化学和更广泛的材料科学中，利用大型语言模型LLM研究发现新材料。
Large language models for reticular chemistry.
网状化学的大型语言模型。
图2: 利用网状化学，大型语言模型的关键概念概述。
图4:从文献中，金属有机骨架metal–organic frameworks，MOF合成参数的提取实例。
图5: 基于微调大型语言模型，生成分子构建块结构。
图6: 在网状框架的数据驱动选择过程中，大型语言模型Large language models，LLM作用。
文献链接
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
本文译自Nature。
来源：今日新材料
