Predicting Scale-Up of Metal-Organic Framework Syntheses with Large Language Models
Deze paper introduceert ESU-MOF, een dataset en een positief-onbepaalde leermethode die grote taalmodellen finetunen om de schaalbaarheid van metaal-organische kaders (MOF's) met 91,4% nauwkeurigheid te voorspellen, waardoor industriële toepassing wordt versneld.