LLM-Fusion：用于加速材料发现的新型多模态融合模型
材料科学
2025-03-04 v1 人工智能
机器学习
摘要
以高效方式发现具有理想属性的材料仍然是材料科学中的重要问题。许多研究通过利用关于材料的不同信息集合来解决这一问题。在这些方法中，多模态方法因能够组合不同信息源而被认为是有前景的。然而，迄今为止的融合算法仍相对简单，缺乏提供多模态丰富表征的机制。本文提出了LLM-Fusion，一种新型多模态融合模型，利用大语言模型（LLM）整合多样化的表征，包括SMILES、SELFIES、文本描述和分子指纹，以实现精确的属性预测。我们的ethods方法引入了灵活的LLM-based架构，支持多模态输入处理，并实现比传统方法更高的材料属性预测准确性。我们在两个数据集上进行验证，覆盖五个预测任务，并证明其有效性优于单模态和简单拼接基线方法。
引用
@article{arxiv.2503.01022,
title = {LLM-Fusion: A Novel Multimodal Fusion Model for Accelerated Material Discovery},
author = {Onur Boyar and Indra Priyadarsini and Seiji Takeda and Lisa Hamada},
journal= {arXiv preprint arXiv:2503.01022},
year = {2025}
}
备注
4 pages, presented at AAAI 2025 Workshop on AI to Accelerating Science and Engineering (AI2ASE)