面向拓扑材料的大语言模型领域特定知识增强
计算与语言
2025-12-12 v2 材料科学
机器学习
摘要
大型语言模型（LLM）如ChatGPT在文本生成任务中展现出惊人的性能，表现出理解和响应复杂指令的能力。然而，针对特定领域的naive LLM性能受限，这是由于特定领域语料稀缺且专业训练不足的结果。此外，训练大规模专业模型需要巨大的硬件资源，这限制了研究人员能够利用此类模型推动进展。因此，提高和优化LLM以满足特定领域需求并增强其可扩展性至关重要。基于凝聚态数据中心，我们建立了一个材料知识图谱（MaterialsKG），并将其与文献集成。利用大语言模型和提示学习，我们开发了一个专为拓扑材料设计的对话系统，称为TopoChat。与naive LLM相比，TopoChat在结构和属性查询、材料推荐以及复杂关系推理方面表现出优势。该系统实现了信息的高效且精确的检索，促进了知识交互，从而鼓励了凝聚态材料领域的进展。
引用
@article{arxiv.2409.13732,
title = {Enhancing Large Language Models with Domain-Specific Knowledge: The Case in Topological Materials},
author = {HuangChao Xu and Baohua Zhang and Zhong Jin and Tiannian Zhu and Quansheng Wu and Hongming Weng},
journal= {arXiv preprint arXiv:2409.13732},
year = {2025}
}