论文
ARIA：可信材料发现中拯救LLM推理的因果感知框架
ARIA: A Causal-Aware Framework for Rescuing LLM Reasoning in Trustworthy Materials Discovery
摘要
生成模型彻底改变了材料发现的过程，但它们往往无法满足潜在的物理因果关系。通过对大型语言模型（LLM）的分析，以及从当前文献中衍生的知识图谱，我们发现了一种称为上下文隧道的现象，即模型“过度锚定”在狭窄的检索证据上，同时抑制全局物理推理。为了解决这个问题，我们引入了 ARIA，这是一个因果感知框架，它根据机械完整性来调节知识的使用。 ARIA 通过三层级联路由每个查询：（i）当过程-结构-属性（PSP）的完整证据链可用时直接因果推理，（ii）稀疏或新颖材料系统的物理信息类比转移，以及（iii）当外部证据不完整时显式参数回退。作为概念证明，我们构建了一个知识图 (KG)，其中包含从材料文献中的同行评审文章中提取的 2,839 个 PSP 关系，并评估 ARIA 对二维 (2D) 材料的正向预测和逆向设计任务。 ARIA 减轻了上下文隧道效应，改进了未增强和幼稚的 KG 增强基线，并在使用在线文献搜索来丰富证据时提供了进一步的收益。至关重要的是，ARIA 可以生成可审计的因果痕迹，从而实现基于物理基础且值得信赖的人工智能辅助材料发现。
