优化LLM 提示可让AI大模型减少化学幻觉

本文探讨了如何通过增强生成和机器学习驱动的提示优化技术，减少大型语言模型(LLM)在化学研究中的幻觉现象。研究背景指出，LLM在处理科学信息时存在输出与预期不符的风险，特别是在化学领域，微小的不准确可能导致严重误解。研究目的是通过结合检索增强生成(RAG)和多提示指令提案优化器(MIPRO)，提高LLM在预测分子拓扑极性表面积(TPSA)等化学任务中的准确性。实验结果表明，优化后的模型将预测结果的均方根误差从62.34降低到11.76，显著提高了预测精度。结论认为，这种方法不仅适用于化学领域，还可扩展到其他需要精确数据解释的科学领域，为LLM在科学研究中的应用提供了新思路。