Naukowcy opracowali framework Context-Augmented Prompting, który łączy małe modele językowe z grafowymi sieciami neuronowymi (GNN) w celu poprawy przewidywania właściwości molekularnych. Podejście agentic tool use wzbogaca podpowiedzi o informacje topologiczne grafów, poprawiając wyniki na zbiorach MUTAG i Tox21.
Naukowcy zaproponowali nowy sposób na zwiększenie efektywności małych modeli językowychwprzedstawianiu właściwości molekuł. Zamiast polegać wyłącznie na samych modelach, połączyli je z grafowymi sieciami neuronowymi (GNN), tworząc framework o nazwie Context-Augmented Prompting. To podejście pozwala na bardziej precyzyjne przewidywania, wykorzystując strukturalne informacje o cząsteczkach.
Kluczowa innowacja polega na zastosowaniu agentic tool use, czyli inteligentnego wykorzystania narzędzi. Zamiast podawać modelowi tylko tekstowe opisy, system wzbogaca instrukcje o dane topologiczne grafów. Oznacza to, że model otrzymuje informacje o tym, jak atomy są ze sobą połączone i jak zorganizowana jest struktura molekuły. To znacznie poprawia zdolność predykcyjną systemu.
Badania wykazały skuteczność tego podejścia na popularnych zbiorach danych do testowania, takich jak MUTAG i Tox21. Dla naukowców pracujących nad odkrywaniem leków, badaniem materiałów czy chemią obliczeniową może to oznaczać bardziej wiarygodne przewidywania bez konieczności trenowania gigantycznych modeli. To szczególnie ważne dla badawczych zespołów z ograniczonymi zasobami obliczeniowymi.
To streszczenie zostało przygotowane przy pomocy narzędzi AI na podstawie źródła. Pełną treść znajdziesz w oryginalnym artykule.
Co o tym myślisz?
Zaloguj się, aby dołączyć do dyskusji.
Zaloguj się do dzis.ai
Komentuj, zachowaj swoją passę, dołącz do dyskusji.
G Kontynuuj z Google