LLM作为有限池材料优化的采集策略：一项受控研究

发现具有理想性质的材料通常需要在大型候选空间中搜索，而实验或计算评估成本高昂。主动学习通过利用先前的观察来选择下一个要评估的候选来应对这一挑战，通常借助概率代理模型。我们研究开源权重的大语言模型（LLM）能否在此设定中作为独立的采集策略。我们在四个回溯性有限池材料优化任务上评估五个LLM，采用不同的候选呈现策略，并与随机选择和常规高斯过程方法比较。LLM策略通常比随机选择用更少的迭代达到全局最优，表明它们无需任务特定训练即可提供有用的采集信号。它们相对高斯过程方法的表现则有好有坏：常规采集在多数任务上表现更好，而LLM在某些设定下与之持平或更优。性能在任务、模型、初始化和候选呈现之间差异显著，没有任何LLM方法在所有任务上都是最佳。总体而言，开源权重LLM作为有限池材料搜索的采集策略显示出潜力，但其可靠性仍对任务以及候选与科学背景的呈现方式敏感。