CrystalICL：为晶体生成启用类比学习
机器学习
2025-08-29 v1 材料科学
摘要
设计具有所需物理化学属性的晶体材料是材料科学中的一项基本挑战。虽然大型语言模型（LLM）已显示出强大的类比学习（ICL）能力，但现有的LLM基于晶体生成方法仅限于零样本场景，无法从few-shot场景中获益。相反，人类专家通常通过修改相关已知结构来设计新的材料，这几乎符合few-shot ICL范式。为此，我们提出CrystalICL，一个专为few-shot晶体生成而设计的新型模型。具体而言，我们引入基于空间群的晶体分词方法，有效降低了在LLM中建模晶体对称性的复杂性。我们进一步引入条件-结构感知的混合指令调优框架和多任务指令调优策略，使模型能够通过捕获从有限数据中获得的结构-属性关系，更好地利用ICL。在四个晶体生成基准测试上的大量实验表明，CrystalICL在条件和无条件生成任务上优于领先的基线方法。
引用
@article{arxiv.2508.20143,
title = {CrystalICL: Enabling In-Context Learning for Crystal Generation},
author = {Ruobing Wang and Qiaoyu Tan and Yili Wang and Ying Wang and Xin Wang},
journal= {arXiv preprint arXiv:2508.20143},
year = {2025}
}