IA e os Problemas Difíceis do Mundo · Química e materiais · Nature Computational Science · 2026-10-12
Menos pode ser mais na previsão de propriedades com grandes modelos de linguagem
Título original: Less can be more for predicting properties with large language models
Prever propriedades a partir de dados de coordenadas e categorias, como energias de formação ou módulos elásticos a partir de estruturas cristalinas, é fundamental para a ciência computacional, e grandes modelos de linguagem (LLMs) têm sido aplicados a essa tarefa. Usando conjuntos de dados sintéticos e o benchmark MatText, os autores constatam que os LLMs falham de forma consistente em capturar informações de coordenadas, embora lidem bem com padrões de categorias. Isso vale para modelos de diferentes tamanhos, até 70 bilhões de parâmetros, para conjuntos de dados de até 2 × 10^6 estruturas e para diferentes representações em texto; e, na previsão de propriedades dominada por efeitos estruturais, arquiteturas geométricas especializadas superam os LLMs.