论文
基于动态少样本学习的LLM预测双钙钛矿空间群
Predicting Space Groups of Double Perovskites by LLM with Dynamic Few-Shot Learning
摘要
双钙钛矿（DP）提供宽广的成分可调性，但预测稳定结构的空间群（SG）仍然困难，因为可用数据集往往强烈失衡、偏向主导SG类别。我们将主导SG类别称为主要SG，将代表性不足的类别称为次要SG。我们提出面向空间群预测的动态与多样性增强少样本检索及规则引导推理（DyRIS），一个基于LLM智能体的框架，从给定的DP成分预测排序的SG候选。DyRIS使用多样性增强的动态少样本提示词来检索相关上下文示例，同时限制高频SG的主导性。它进一步纳入基于B/B'阳离子排序、定量指标和主要SG偏差控制的规则引导推理，以精炼并排序最终的Top-3 SG候选。我们在3,528个经热力学筛选的DP条目上评估DyRIS，并与基于成分和基于描述符的基线比较。在训练数据比例为0.5时，DyRIS取得有竞争力的总体准确率，同时获得最佳的总体Top-1宏F1分数以及所有次要SG指标上的最佳表现。相对于CrabNet，DyRIS将次要SG Top-1准确率提高3.26个百分点，并取得比最强PyCaret基线更高的次要SG Top-3准确率。消融研究表明，多样性增强检索、定量指标、主要SG偏差控制和B/B'排序信息均各自贡献于预测性能。额外实验表明，最终的规则引导推理步骤不易被常规分类器或排序器模型替代。这些发现展示了将基于检索的LLM推理与晶体学领域知识相结合、用于不平衡材料数据集SG预测的潜力。