هوش مصنوعی

مدل‌های زبانی گروه‌های عاملی شیمیایی را در بازنمایی‌های درونی خود سازمان می‌دهند

پیش‌چاپی در arXiv بررسی می‌کند آنچه مدل‌های زبانی از ساختار مولکول می‌فهمند، چه تفاوتی با چیزی دارد که در پاسخ‌هایشان می‌گویند.

۱ دقیقه مطالعه
Figure 2: Between-group Z Z -cosine similarity at the final layer. Each cell is the cosine similarity between two functional groups’ mean difference vectors, standardized within each model’s panel. All panels use Base ’s
تصویر درج‌شده در مقالهٔ اصلی؛ حقوق بازنشر مستقل تأیید نشده است. — arXiv · AI (پیش‌چاپ) · پرونده اصلی · منبع تصویر: ناشر خبر

پژوهشگران بازنمایی‌های درونی پنج مدل زبانی متن‌باز را با استفاده از پرسش‌هایی دربارهٔ ۹۲ مولکول و ۲۰ گروه عاملی بررسی کرده‌اند. به‌گزارش چکیدهٔ مقاله، مدل‌ها حتی بدون آموزش شیمیایی نیز اطلاعات مربوط به گروه‌های عاملی را در بازنمایی‌های خود سازمان می‌دهند.

نویسندگان می‌گویند پاسخ نادرست به‌تنهایی روشن نمی‌کند که مدل ساختار مولکول را تشخیص نداده یا آن را شناخته اما نتوانسته درست بیان کند. برای نمونه، مدل ممکن است در پاسخ به پرسشی دربارهٔ گروه عاملی اصلیِ 1-Fluorobutane، به‌جای آلکیل‌فلوراید از گروه آلکین نام ببرد. بررسی بازنمایی‌های درونی می‌تواند به تمایز میان این دو حالت کمک کند.

این مقاله پیش‌چاپ است و متن در دسترس منبع فقط بخشی از چکیده را ارائه می‌کند؛ بنابراین جزئیات روش و نتایج کامل در این اطلاعات مشخص نیست.

این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.

منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗

پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست