プロンプトエンジニアリングを通じた大規模言語モデルへの化学知識の統合

本論文では、科学分野における大規模言語モデル（LLM）の性能向上を目的として、ドメイン固有の知識をプロンプトエンジニアリングに統合する手法を検討する。提案するドメイン知識埋め込み型プロンプトエンジニアリング手法は、能力、正確度、F1スコア、幻覚低減といった複数の指標において従来のプロンプトエンジニアリング戦略を上回る。MacMillan触媒、パクリタキセル、リチウムコバルト酸化物など複雑な材料を対象としたケーススタディにより、本手法の有効性を示す。結果は、ドメイン知識を含むプロンプトがLLMをより正確かつ関連性の高い応答生成へと導くことを示唆し、特定ドメインのプロンプトを装備したLLMが科学的発見とイノベーションの強力なツールとなる可能性を強調する。本研究では、ドメイン固有のプロンプトエンジニアリングの限界と今後の方向性についても議論する。