物质机制：材料合成中物理化学假设的语言推理基准
材料科学
2025-10-01 v1 机器学习
摘要
大型语言模型（LLM）为材料合成生成有效科学假设的能力在很大程度上仍未被量化，这受制于缺乏探究物理化学逻辑推理的基准。为了解决这一问题，我们引入了 MatterMech，一个用于评估 LLM 在八个纳米材料合成领域生成假设的基准。我们的分析揭示了一个关键脱节：LLM 擅长抽象逻辑，却未能将其推理建立在基本物理化学原理之上。我们证明，我们提出的原理感知提示方法显著优于标准的思维链，同时提升了假设准确性和计算效率。这项工作提供了一个方法论框架，以推动 LLM 在材料科学中向可靠的科学假设生成发展。MatterMech 基准及相关代码已在 \href{https://github.com/amair-lab/MatterMech}{GitHub} 公开。
引用
@article{arxiv.2509.25281,
title = {Mechanisms of Matter: Language Inferential Benchmark on Physicochemical Hypothesis in Materials Synthesis},
author = {Yingming Pu and Tao Lin and Hongyu Chen},
journal= {arXiv preprint arXiv:2509.25281},
year = {2025}
}