大型语言模型与检索增强生成在加速晶体材料发现中的作用：系统综述

大型语言模型（LLM）已在多个领域成为处理知识密集型任务的强大工具。在材料科学中，为了为各种能源高效设备寻找新型材料，需进行多次耗时且成本高昂的模拟和实验。为缩小未探索材料搜索空间，降低实验成本，LLM可以在为初步筛选有前景的已知材料候选者方发挥更大作用。此外，LLM与领域特定信息通过检索增强生成（RAG）的集成，正有望彻底改变研究人员预测材料结构、分析缺陷、发现新型化合物以及从文献和数据库中提取知识的方式。为了响应LLM和RAG在加速材料发现方面的潜力，本文提出了一项广泛且系统的综述，以审视近期在应用LLM和RAG到关键材料科学问题方面的最新进展。我们综述了晶体结构预测、缺陷分析、材料发现、文献挖掘、数据库集成和多模态检索等方面的最新进展，突出了如何通过将LLM与外部知识源相结合，从而实现新的能力。我们讨论了这些方法的性能、局限性及其意义，并概述了未来利用LLM加速材料研究与发现的方向，以推动电子、光学、生物医学和能源存储等领域技术的进步。