ചാറ്റ്ജിപിടിയുടെ ഡവലപ്പർമാരായ ഓപ്പൺഎഐയിൽ നിന്നുള്ള ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സിസ്റ്റത്തിന്റെ ഏറ്റവും പുതിയ പതിപ്പായ ജിപിടി 4 രസതന്ത്ര വെല്ലുവിളികളെ കൈകാര്യം ചെയ്യുന്നതിൽ ഗണ്യമായ ഉപയോഗം പ്രകടമാക്കുന്നു, പക്ഷേ ഇപ്പോഴും കാര്യമായ ബലഹീനതകളുണ്ട്. “ഇതിന് രസതന്ത്രത്തെക്കുറിച്ച് ശ്രദ്ധേയമായ ധാരണയുണ്ട്, മനുഷ്യ ചിന്താ പ്രക്രിയകൾക്ക് സമാനമായ രീതിയിൽ പരീക്ഷണ ഫലങ്ങൾ പ്രവചിക്കാനും നിർദ്ദേശിക്കാനും ഇതിന് കഴിയുമെന്ന് സൂചിപ്പിക്കുന്നു,” ടോക്കിയോ ഇൻസ്റ്റിറ്റ്യൂട്ട് ഓഫ് ടെക്നോളജിയിലെ രസതന്ത്രജ്ഞൻ കാൻ ഹതകേയാമസാറ്റോ പറയുന്നു.

സയൻസ് ആൻഡ് ടെക്നോളജി ഓഫ് അഡ്വാൻസ്ഡ് മെറ്റീരിയൽസ്: മെത്തേഡ്സ് എന്ന ജേണലിൽ രാസ ഗവേഷണത്തിൽ ജിപിടി 4 ന്റെ സാധ്യതകളെക്കുറിച്ചുള്ള പര്യവേക്ഷണത്തെക്കുറിച്ച് ഹതകേയാമസാറ്റോയും സഹപ്രവർത്തകരും ചർച്ച ചെയ്യുന്നു.

ജനറേറ്റീവ് പ്രീ-ട്രെയിനഡ് ട്രാൻസ്ഫോർമർ 4 എന്നതിന്റെ ചുരുക്കപ്പേരുള്ള ജിപിടി -4, വലിയ ഭാഷാ മോഡലുകൾ എന്നറിയപ്പെടുന്ന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സിസ്റ്റങ്ങളുടെ വിഭാഗത്തിൽ പെടുന്നു. ഉപയോക്താക്കൾ ഉയർത്തുന്ന വെല്ലുവിളികൾക്ക് പരിഹാരം തേടി ഇവയ്ക്ക് ധാരാളം വിവരങ്ങൾ ശേഖരിക്കാനും വിശകലനം ചെയ്യാനും കഴിയും. ടെക്സ്റ്റിന് പുറമേ ചിത്രങ്ങളുടെ രൂപത്തിൽ വിവരങ്ങൾ ഉപയോഗിക്കാൻ കഴിയും എന്നതാണ് ജിപിടി -4 ന്റെ ഒരു മുന്നേറ്റം.

ജിപിടി -4 പരിശീലനത്തിനായി ഉപയോഗിക്കുന്ന നിർദ്ദിഷ്ട ഡാറ്റാസെറ്റുകൾ അതിന്റെ ഡവലപ്പർമാർ വെളിപ്പെടുത്തിയിട്ടില്ലെങ്കിലും, വിശദമായ രസതന്ത്ര പരിജ്ഞാനത്തിന്റെ ഗണ്യമായ അളവ് വ്യക്തമായി പഠിച്ചിട്ടുണ്ട്. അതിന്റെ കഴിവുകൾ വിശകലനം ചെയ്യുന്നതിന്, ഗവേഷകർ ഓർഗാനിക് കെമിസ്ട്രിയിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്ന നിരവധി രാസ പ്രവർത്തനങ്ങൾ സിസ്റ്റം സജ്ജമാക്കി- കാർബൺ അധിഷ്ഠിത സംയുക്തങ്ങളുടെ രസതന്ത്രം. അടിസ്ഥാന രാസ സിദ്ധാന്തം, തന്മാത്രാ ഡാറ്റ കൈകാര്യം ചെയ്യൽ, രാസവസ്തുക്കളുടെ ഗുണങ്ങൾ പ്രവചിക്കൽ, രാസ പ്രക്രിയകളുടെ ഫലം, പുതിയ രാസ നടപടിക്രമങ്ങൾ നിർദ്ദേശിക്കൽ എന്നിവ ഇതിൽ ഉൾപ്പെടുന്നു.

അന്വേഷണത്തിന്റെ ഫലങ്ങൾ വൈവിധ്യമാർന്നതായിരുന്നു, ഇത് ശക്തികളും ഗണ്യമായ പരിമിതികളും വെളിപ്പെടുത്തുന്നു. ഓർഗാനിക് കെമിസ്ട്രിയിലെ പൊതു പാഠപുസ്തക തലത്തിലുള്ള അറിവിനെക്കുറിച്ച് ജിപിടി -4 നല്ല ധാരണ പ്രകടിപ്പിച്ചു. എന്നിരുന്നാലും, പ്രത്യേക ഉള്ളടക്കം അല്ലെങ്കിൽ നിർദ്ദിഷ്ട ഓർഗാനിക് സംയുക്തങ്ങൾ നിർമ്മിക്കുന്നതിനുള്ള സവിശേഷ രീതികൾ കൈകാര്യം ചെയ്യുന്ന ജോലികൾ സജ്ജീകരിക്കുമ്പോൾ ഇത് ദുർബലമായിരുന്നു. രാസഘടനകളെ വ്യാഖ്യാനിക്കുന്നതിലും അവയെ ഒരു സ്റ്റാൻഡേർഡ് നോട്ടേഷനാക്കി മാറ്റുന്നതിലും ഇത് ഭാഗിക കാര്യക്ഷമത മാത്രമേ പ്രദർശിപ്പിച്ചുള്ളൂ. പ്രത്യേകമായി പരിശീലിപ്പിച്ചിട്ടില്ലാത്ത സംയുക്തങ്ങളുടെ ഗുണങ്ങളെക്കുറിച്ച് കൃത്യമായ പ്രവചനങ്ങൾ നടത്താനുള്ള കഴിവായിരുന്നു രസകരമായ ഒരു നേട്ടം. മൊത്തത്തിൽ, നിലവിലുള്ള ചില കമ്പ്യൂട്ടേഷണൽ അൽഗോരിതങ്ങളെ മറികടക്കാൻ ഇതിന് കഴിഞ്ഞു, പക്ഷേ മറ്റുള്ളവയുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ പരാജയപ്പെട്ടു.

“പാഠപുസ്തക തലത്തിലുള്ള അറിവ് മുതൽ പരിശീലനം ലഭിക്കാത്ത പ്രശ്നങ്ങൾ പരിഹരിക്കുന്നതിനും ഒന്നിലധികം വേരിയബിളുകൾ ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിനും വരെ രാസ ഗവേഷണത്തിലെ വൈവിധ്യമാർന്ന ജോലികൾ കൈകാര്യം ചെയ്യാൻ ജിപിടി -4 ന് കഴിയുമെന്ന് ഫലങ്ങൾ സൂചിപ്പിക്കുന്നു,” ഹതകേയാമ-സാറ്റോ പറയുന്നു. “അനിവാര്യമായും, അതിന്റെ പ്രകടനം അതിന്റെ പരിശീലന ഡാറ്റയുടെ ഗുണനിലവാരത്തെയും അളവിനെയും വളരെയധികം ആശ്രയിച്ചിരിക്കുന്നു, മാത്രമല്ല അതിന്റെ അനുമാന ശേഷിയിൽ മെച്ചപ്പെടുത്തലിന് ധാരാളം ഇടമുണ്ട്.”

തങ്ങളുടെ പ്രവർത്തനം ഒരു പ്രാഥമിക അന്വേഷണം മാത്രമാണെന്നും ഭാവി ഗവേഷണം പരീക്ഷണങ്ങളുടെ വ്യാപ്തി വിശാലമാക്കണമെന്നും കൂടുതൽ വൈവിധ്യമാർന്ന ഗവേഷണ സാഹചര്യങ്ങളിൽ ജിപിടി -4 ന്റെ പ്രകടനത്തിലേക്ക് ആഴത്തിൽ ഇറങ്ങിച്ചെല്ലണമെന്നും ഗവേഷകർ ഊന്നിപ്പറയുന്നു.

രസതന്ത്രത്തിൽ സ്പെഷ്യലൈസ് ചെയ്ത സ്വന്തം വലിയ ഭാഷാ മോഡലുകൾ വികസിപ്പിക്കാനും നിലവിലുള്ള സാങ്കേതികവിദ്യകളുമായുള്ള സംയോജനം പര്യവേക്ഷണം ചെയ്യാനും അവർ പ്രതീക്ഷിക്കുന്നു.

“ഇതിനിടയിൽ, നിലവിലുള്ള പ്രത്യേക സാങ്കേതിക വിദ്യകൾ ഉൾപ്പെടുന്ന ഹൈബ്രിഡ് രീതികൾ ഉപയോഗിച്ച് രാസ വെല്ലുവിളികൾക്ക് ജിപിടി -4 പ്രയോഗിക്കുന്നത് ഗവേഷകർ തീർച്ചയായും പരിഗണിക്കണം,” ഹറ്റാകയാമ-സാറ്റോ അവസാനിപ്പിക്കുന്നു.

കൂടുതൽ വിവരങ്ങൾക്ക്: കാൻ ഹടകേയാമ-സാറ്റോ et al, രാസ ഗവേഷണത്തിനായി GPT-4 ന്റെ പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ്: എന്താണ് ചെയ്യാൻ കഴിയുക / ചെയ്യാൻ കഴിയാത്തത്?, സയൻസ് ആൻഡ് ടെക്നോളജി ഓഫ് അഡ്വാൻസ്ഡ് മെറ്റീരിയൽസ്: മെത്തേഡ്സ് (2023). DOI: 10.1080/27660400.2023.2260300