الصفحة الرئيسية>المتعلقة بالبرمجة>كود الذكاء الاصطناعي
تنزيل

llamp ؟؟

جعل نموذج اللغة الكبير قويًا لاسترجاع ومعرفة المواد عالية الدقة

نصيحة

TL ؛ DR: LLAMP هو إطار توليد متعدد الوسائط (RAG) من عوامل التفاعل الهرمية التي يمكنها التفاعل ديناميكيًا ومتكررًا مع المواد إلى LLMs على الأرض على المعلوماتية عالية الدقة.

يرافق هذا المستودع ورقة LLAMP الخاصة بنا: نموذج لغة كبير جعل قويًا لاسترجاع ومعرفة المواد عالية الدقة . تم بناء قاعدة كودنا على langchain وهي مصممة لتكون معيارية وقابلة للتمديد ، ويمكن استخدامها لإعادة إنتاج التجارب في الورقة ، وكذلك لتطوير تجارب جديدة.

Llamp هو أيضًا مجانس لمشروع مواد نموذج اللغة الكبيرة . إنه يمكّن LLMs مع قاعدة بيانات المواد الحسابية واسعة النطاق لتقليل احتمالية الهلوسة للمعلوماتية للمواد.

؟ بداية سريعة

بيثون API 

git clone https://github.com/chiang-yuan/llamp.git
cd llamp/api
pip install -e .

بعد التثبيت ، تحقق من دردشة دفتر كولاب أو دفاتر الملاحظات في experiments للبدء.

(اختياري) المحاكاة الذرية

قد تحتاج إلى تثبيت حزم إضافية لدعم المحاكاة الذرية: 

pip install ase, atomate2, jobflow, mace-torch

(اختياري) واجهة ويب Docker 

docker-compose up --build

المساهمة

نحن نفهم في وقت ما من الصعب التنقل في قاعدة بيانات مشروع المواد! نريد أن يكون الجميع قادرين على الوصول إلى المواد المعلوماتية من خلال AI للمحادثة. نحن نبحث عن مساهمين لمساعدتنا في بناء LLAMP أكثر قوة وسهلة الاستخدام لدعم المزيد من نقاط نهاية واجهة برمجة تطبيقات MP أو مخزن البيانات الخارجي والوكلاء.

إلى contirbute إلى llamp ، يرجى اتباع هذه الخطوات:

  1. شوكة المستودع
  2. إعداد متغيرات البيئة 
    cp .env.example .env.local
  3. نشر بيئة التنمية المحلية 
    docker-compose up
  4. قم بإجراء تغييرات وأرسل طلب سحب

؟ المؤلفون والاقتباس

إذا كنت تستخدم llamp ، فالرمز وبياناتنا في بحثك ، يرجى الاستشهاد بورقة: 

 @article { chiang2024llamp ,
  title = { LLaMP: Large Language Model Made Powerful for High-fidelity Materials Knowledge Retrieval and Distillation } ,
  author = { Chiang, Yuan and Chou, Chia-Hong and Riebesell, Janosh } ,
  journal = { arXiv preprint arXiv:2401.17244 } ,
  year = { 2024 }
}

؟ شكر وتقدير

نشكر ماثيو مكديرموت (mattmcdermott) ، جوردان بيرنز في علوم المواد والهندسة في جامعة كاليفورنيا في بيركلي على ملاحظاتهم والاقتراحات القيمة. نشكر أيضًا فريق مشروع المواد على دعمهم وتوفير البيانات المستخدمة في هذا العمل. نشكر أيضًا الدكتور كارلو بيركيت (kbuma) والدكتور أنوبهاف جين (computron) على نصيحتهما وتوجيهاتهما.

يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل