LLEMA：用于多目标材料发现的 LLM 进化搜索
机器学习
2026-03-06 v2 材料科学
人工智能
神经与进化计算
摘要
材料发现需要在化学和结构空间中进行搜索，同时满足多个往往是相互冲突的目标。我们提出了 LLM-guided Evolution for MAterials discovery（LLEMA），一个统一框架，将大语言模型中嵌入的科学知识与化学信息化进化规则和记忆驱动的细化相结合。在每一迭代中，LLM 在明确的属性约束下提出晶体结构指定的候选方案；基于替代模型的 oracle 估计物性化学性质；多目标评分器更新成功/失败记忆以指导后续生成。在14个真实任务上进行评估，这些任务涵盖电子、能源、涂层、光学和航空等领域，LLEMA 发现的候选方案在化学可行性、热力学稳定性和属性匹配方面表现优异，相较于生成式方法和仅使用 LLM 的基线方法，实现了更高的命中率和更好的帕累托前沿质量。消融研究确认了规则导生成、记忆驱动细化和替代预测的重要性。通过强制可合成性和多目标权衡，LLEMA 提供了一种原则化的方法，加速实际的材料发现。项目网站：https://scientific-discovery.github.io/llema-project/
引用
@article{arxiv.2510.22503,
title = {LLEMA: Evolutionary Search with LLMs for Multi-Objective Materials Discovery},
author = {Nikhil Abhyankar and Sanchit Kabra and Saaketh Desai and Chandan K. Reddy},
journal= {arXiv preprint arXiv:2510.22503},
year = {2026}
}
备注
ICLR 2026