Prompt2Poly：一个基于对话的大型语言模型，用于针对特定任务（TSMPs）的设计，具备提问、指定信息和创建内容的功能

《Polymer Chemistry》：Prompt2Poly: ask, specify, create – a dialogue-based large language model for targeted TSMPs design

Prompt2Poly是首个基于大语言模型的对话式框架，通过自然语言提示用户自定义形状记忆聚合物（TSMPs）属性如玻璃转变温度和橡胶模量，生成符合化学约束的二元聚合物结构，支持多轮对话优化，实验证明其化学有效性和创新性优于未微调基模型。

　　

设计具有特定性能的聚合物是一项复杂的任务，通常需要专家的知识和多步骤的计算工作流程。现有的方法通常要求严格的输入格式以及事后的性能筛选，这限制了系统的可用性和对用户意图的响应能力。我们推出了Prompt2Poly，这是第一个利用大型语言模型（LLMs）根据用户定义的性能要求生成热固性形状记忆聚合物（TSMPs）的对话式框架。Prompt2Poly允许用户通过自然语言提示直接指定所需的性能参数，如玻璃化转变温度（Tg）、橡胶弹性模量（Er）或特定的化学基团，从而实现聚合物样本的引导生成。该框架能够解析这些提示，提取目标约束，并生成符合指定要求的化学上有效的双单体聚合物结构。Prompt2Poly基于经过微调的大型语言模型构建，支持多轮对话，从而实现迭代优化和更深入地符合用户意图。通过使用一个精心策划的TSMPs数据集，我们证明了该框架能够在各种场景下生成新颖、多样且性能一致的聚合物候选方案。与未经微调的强大基础模型（GPT-4和Llama-3.2）相比，Prompt2Poly在化学有效性、新颖性以及与化学基团和目标Tg、Er的匹配度方面取得了显著提升。通过整合性能感知的生成能力和对话式交互，Prompt2Poly展示了人机协作在材料科学中的潜力，使得TSMPs的设计更加直观、灵活和易于使用。