Microsoft har (i november 2023) laget en rapport om hvordan store språkmodeller bidrar til ny forskning. De siste årene har banebrytende fremskritt innen naturlig språkbehandling kulminert i
fremveksten av kraftige store språkmodeller (LLM), som har vist frem bemerkelsesverdige evner når det gjelder forståelse, generering og oversettelse av naturlig språk, og til og med
oppgaver som strekker seg langt utover ren språkbehandling.
Rapporten utdyper resultatene til LLM-er innenfor en forskningskontekst, med fokus på GPT-4, en av de mest avanserte språkmodellen som er allment tilgjengelig. Et mangfold av vitenskapelige områder ble undersøkt: legemiddeloppdagelse, biologi, beregningsteknikk
kjemi (densitetsfunksjonsteori (DFT) og molekylær dynamikk (MD)), materialdesign og
differensialligninger (PDE). Evaluering av GPT-4s ytelse på vitenskapelige oppgaver er avgjørende for å akselerere vitenskapelig fremgang, optimalisere ressurstildeling og
fremtidig modellutvikling. Det ble sett på LLMs potensiale for å drive mer tverrfaglig forskning.
Rapporten består av ekspertdrevne casevurderinger, som gir kvalitativ innsikt i modellens forståelse av intrikate vitenskapelige konsepter og relasjoner, og noen ganger benchmark testing, som kvantitativtevaluerer modellens kapasitet til å løse veldefinerte domenespesifikke problemer.
Dette indikerer at GPT-4 viser lovende potensiale for en rekke vitenskapelige
applikasjoner, med evne til å håndtere kompleks problemløsning og oppgaver innen kunnskapsintegrasjon. GPT-4s ytelse innen medikamentoppdagelse, biologi, beregningskjemi, materialdesign ble vurdert med vekt på dens styrker og begrensninger.
Innen biologi og materialdesign viser GPT-4 omfattende domenekunnskap som kan bidra til å løse spesifikke utfordringer. På andre felt, som medikamentoppdagelse, viser GPT-4 en sterk evne til å forutsi egenskaper. Imidlertid, innen forskningsområder som beregningskjemi og PDE, skårer GPT-4 svakere. På slike områder kreves det ytterligere innsats for å forbedre nøyaktigheten.
Rapporten fungerer som en verdifull ressurs for forskere og praktikere som ønsker å utnytte
kraften til LLM-er for vitenskapelig forskning og applikasjoner, så vel som for de som er interessert i å fremme naturligspråkbehandling for domenespesifikke vitenskapelige oppgaver. Det er viktig å understreke at feltet LLMs og maskinlæring i stor skala utvikler seg raskt, og fremtidige generasjoner av denne teknologien vil ha tilleggsfunksjoner utover de som er fremhevet i denne rapporten. Spesielt representerer integreringen av LLM-er med spesialiserte vitenskapelige verktøy og modeller lovende områder for ytterligere forbedring av ytelsen.
Comments