大语言模型引导的量子材料合成预测
材料科学
2024-10-29 v1 机器学习
摘要
无机晶体材料的合成对现代技术至关重要，尤其是在量子材料开发领域。然而，由于需要精确的实验条件和大量的试错，设计高效的合成工作流程仍然是一个重大挑战。在此，我们提出一个利用大语言模型（LLM）预测无机材料（包括量子材料）合成路径的框架。我们的框架包含三个模型：LHS2RHS，用于从反应物预测产物；RHS2LHS，用于从产物预测反应物；以及TGT2CEQ，用于为目标化合物生成完整的化学方程式。在一个通过文本挖掘构建的合成数据库上进行微调后，我们的模型准确率从使用预训练模型时的不足40%，提高到使用传统微调时的不足80%，并进一步通过我们提出的广义Tanimoto相似度提升至约90%，同时对额外的合成步骤保持鲁棒性。我们的模型进一步在具有不同量子度（用量子权重量化）的材料上展示了相当的性能，表明LLM为预测量子材料发现的配平化学方程式提供了一种强大的工具。
引用
@article{arxiv.2410.20976,
title = {Large Language Model-Guided Prediction Toward Quantum Materials Synthesis},
author = {Ryotaro Okabe and Zack West and Abhijatmedhi Chotrattanapituk and Mouyang Cheng and Denisse Córdova Carrizales and Weiwei Xie and Robert J. Cava and Mingda Li},
journal= {arXiv preprint arXiv:2410.20976},
year = {2024}
}
备注
66 pages total, 6 main figures + 3 supplementary figures