由大语言模型辅助的逆材料设计
材料科学
2025-02-26 v1 机器学习
摘要
深度生成模型在逆向材料设计中展现了巨大的潜力，但其效率和准确性仍受数据稀缺和模型架构的限制。本文引入 AlloyGAN，一个闭环框架，将大语言模型（LLM）辅助文本挖掘与条件生成对抗网络（CGAN）集成，以提升数据多样性并改进逆向设计。以合金发现为案例，AlloyGAN 通过迭代筛选和实验验证系统细化材料候选方案。对于金属玻璃，该框架对热力学性质的预测误差小于实验值的 8%，显示其稳健性。通过将生成式 AI 与领域知识和验证工作流程相结合，AlloyGAN 提供了一种可扩展的方法，以加速具有定制化特性材料发现之路，为材料科学的更广泛应用铺平了道路。
引用
@article{arxiv.2502.18127,
title = {Inverse Materials Design by Large Language Model-Assisted Generative Framework},
author = {Yun Hao and Che Fan and Beilin Ye and Wenhao Lu and Zhen Lu and Peilin Zhao and Zhifeng Gao and Qingyao Wu and Yanhui Liu and Tongqi Wen},
journal= {arXiv preprint arXiv:2502.18127},
year = {2025}
}