韓國首爾大學Yousung Jung、福特漢姆大學Joshua Schrier等報道機器學習能否應用預測水熱合成的晶體結構，并且解釋這些預測結果。
本文要點：
（1）
通過在人類可讀的目標晶體結構的文本描述上訓練微調大語言模型（LLM）達到與之前定制的卷積圖神經網絡方法相當的水平。但是，通過文本嵌入表示（text-embedding representation of the structure）上訓練一個正的未標記學習模型（positive-unlabeled learning model），可以實現更好的預測質量。
（2）
使用基于LLM的工作流，為控制可綜合性的因素類型生成人類可讀的解釋，提取其中物理規則，并評估這些規則的準確性。這些解釋可以指導化學家修改或優化不可合成的假設結構，使其在材料設計中更可行。
參考文獻
Seongmin Kim, Joshua Schrier, Yousung Jung, Explainable Synthesizability Prediction of Inorganic Crystal Polymorphs using Large Language Models, Angew. Chem. Int. Ed. 2025
DOI: 10.1002/anie.202423950
https://onlinelibrary.wiley.com/doi/full/10.1002/anie.202423950
