LLMs在材料优化中展现出作为获取策略的潜力

研究人员探索了使用开放权重的大型语言模型（LLMs）作为材料优化任务的获取策略。在一项对照研究中，研究人员评估了五种LLMs在四个回顾性的有限池材料优化问题上的表现。LLMs在以更少的迭代次数找到最优材料方面，普遍优于随机选择，表明它们可以在没有特定任务训练的情况下提供有用的信号。然而，与传统的Gaussian-process方法相比，它们的表现好坏参半，在某些情况下LLMs可以媲美甚至超越Gaussian processes，但在其他情况下则表现不佳。研究发现，LLM的表现因具体任务、所使用的模型以及候选材料和科学背景的呈现方式而有显著差异。 AI

影响 LLMs可能为加速材料发现提供一种新的、可泛化的方法，有望降低研究成本和缩短研究周期。

排序理由 该集群包含一篇发表在arXiv上的研究论文，详细介绍了关于LLMs用于材料优化的研究。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• arXiv
• CatalyzeX
• DagsHub
• Florian Le Bronnec
• Gaussian process
• Gotit.pub
• Hugging Face
• Large language models
• Materials Optimization
• ScienceCast

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →