The current generation of large language models (LLMs) has limited chemical knowledge. Recently, it has been shown that these LLMs can learn and predict chemical properties through fine-tuning. Using natural language to train machine learning models opens doors to a wider chemical audience, as field-specific featurization techniques can be omitted. In this work, we explore the potential and limitations of this approach. We studied the performance of fine-tuning three open-source LLMs (GPT-J-6B, Llama-3.1-8B, and Mistral-7B) for a range of different chemical questions. We benchmark their performances against "traditional" machine learning models and find that, in most cases, the fine-tuning approach is superior for a simple classification problem. Depending on the size of the dataset and the type of questions, we also successfully address more sophisticated problems. The most important conclusions of this work are that, for all datasets considered, their conversion into an LLM fine-tuning training set is straightforward and that fine-tuning with even relatively small datasets leads to predictive models. These results suggest that the systematic use of LLMs to guide experiments and simulations will be a powerful technique in any research study, significantly reducing unnecessary experiments or computations.

Abstract Dispersed multiphase flows are widely present in the majority of chemical process industry equipment. For the purpose of design, optimization, and scale up of these industrial systems, robust, accurate and fast simulation methods are needed, especially when coupling computational fluid dynamics (CFD) with population balance models (PBM). In this work, the high-order moment conserving method of classes (HMMC) is implemented and tested within the commercial CFD software of ANSYS Fluent with two simple well-defined test cases and a realistic 3D simulation of rotating disc (RDC) extractor. Firstly, a zero-dimensional PBM with well-mixed assumption and no convection was solved for a single computational cell in Fluent to verify the implementation in comparison with a simple reactor model in MATLAB. Secondly, the convection was considered by solving a one-dimensional PBM for three computational cells side by side in Fluent and compared with an equivalent three staged reactor model in MATLAB. Eventually, realistic 3D RDC simulations were conducted to fully couple the HMMC and CFD in Fluent. The implementation of HMMC was compared to predictions with other state-of-the-art PBM solution methods, e.g., the quadrature method of moments (QMOM) and the fixed pivot technique (FPT) in Fluent and MATLAB platforms. The implementation of the HMMC in Fluent platform was straightforward with no additional challenges. The verification shows that the HMMC approach is robust and efficient for polydispersed multiphase CFD simulations.