面向双钻石结构的知识引导式语言模型反馈增强条件生成
人工智能
2025-12-03 v2 机器学习
摘要
双钻石结构（DPs）因其组成可调性和与低能制造的兼容性，被视为可持续能源技术的有前景的候选材料，但其庞大的设计空间为条件材料发现带来了重大挑战。本工作引入一个多智能体、基于文本梯度驱动的框架，通过整合三个互补的反馈源来实现自然语言条件下的 DP 组成生成：基于 LLM 的自我评估、DP 特定领域知识引导的反馈以及 ML 代理式反馈。正如知识引导式机器学习提高了传统数据驱动模型可靠性一样，我们的框架整合了领域知识驱动的文本梯度，以引导生成过程朝向 DP 组成空间中具有物理意义的区域。系统比较了三个递增配置：(i) 纯 LLM 生成、(ii) 带 LLM 推理反馈的 LLM 生成、(iii) 带领域知识引导反馈的 LLM 生成，表明来自知识驱动梯度的迭代引导在无需额外训练数据的情况下提高了稳定性条件满足度，实现超过 98% 的组成有效性和最高 54% 的稳定或亚稳定候选，超越了 LLM-only 基线（43%）和先前的 GAN-based 结果（27%）。对 ML 基于梯度的分析进一步揭示，它们在分布内（ID）区域提升了性能，但在分布外（OOD）区域则不可靠。总体而言，本工作为 MAS 驱动的 DP 发现提供了首个系统性分析，并为以 MAS 为导向的材料设计框架奠定了可推广的蓝图，以推动可持续技术的发展。
引用
@article{arxiv.2511.22307,
title = {Enhanced Conditional Generation of Double Perovskite by Knowledge-Guided Language Model Feedback},
author = {Inhyo Lee and Junhyeong Lee and Jongwon Park and KyungTae Lim and Seunghwa Ryu},
journal= {arXiv preprint arXiv:2511.22307},
year = {2025}
}