L'IA face aux grands problèmes du monde · Chimie et matériaux · Nature Computational Science · 2026-10-12
Moins peut être plus pour prédire des propriétés avec de grands modèles de langage
Titre original: Less can be more for predicting properties with large language models
La prédiction de propriétés à partir de données coordonnées-catégories, telles que les énergies de formation ou les modules d'élasticité à partir de structures cristallines, est au cœur de la science computationnelle, et les grands modèles de langage (LLM) y ont été appliqués. À l'aide de jeux de données synthétiques et du benchmark MatText, les auteurs constatent que les LLM échouent systématiquement à capturer l'information de coordonnées tout en traitant bien les motifs de catégories. Cela vaut pour des tailles de modèles allant jusqu'à 70 milliards de paramètres, des jeux de données allant jusqu'à 2 × 10^6 structures et différentes représentations textuelles, et pour la prédiction de propriétés dominée par les effets structuraux, des architectures géométriques spécialisées surpassent les LLM.