论文
将语言模型与物理仿真耦合用于无机材料合成
Coupling Language Models with Physics-based Simulation for Synthesis of Inorganic Materials
摘要
现代生成式机器学习（ML）模型能够提出具有目标性质的新型无机晶体材料；然而，由于相关物理过程的复杂性以及可用计算工具的匮乏，这些材料的合成规划仍然困难。我们引入一个新颖的混合框架来评估大语言模型（LLM）在无机合成规划中的表现，该框架将热力学数据库与简化的动力学模型相结合以逼近真实合成条件。作为案例研究，我们聚焦于铌-氧体系，它包含多个具有完善表征数据、与工业相关的氧化物相。在计算仿真中，我们将LLM生成的合成路线与经典路径规划算法进行比较，表明LLM中的隐式先验可以产生更可行的策略。在我们的评估设定中，经典搜索方法主要作为参照而非直接竞争者。这说明了该问题相对复杂的一面，并凸显了LLM隐式先验在何处增加价值。
