llamp

Llamp?

Großsprachmodell, das für das Wissen und die Destillation von Materialien von hohem Fidelity-Material leistungsfähig gemacht wurde

Tipp

TL; DR: LLAMP ist ein multimodales Rahmen für die Abrufablagerung (RAG) von hierarchischen Reaktenten, die dynamisch und rekursiv mit Materialien interagieren können, um LLMs auf Informatik mit hoher Fidelity-Materialien zu erobern.

Dieses Repository begleitet unser Papier LLAMP: Großsprachenmodell, das für das Abrufen und die Destillation von Materialien von hohem Fesselungsmaterial leistungsfähig ist . Unsere Codebasis basiert auf Langchain und ist so konzipiert, dass sie modular und erweiterbar sind. Sie kann verwendet werden, um die Experimente in der Arbeit zu reproduzieren sowie neue Experimente zu entwickeln.

LLAMP ist auch ein Homonym für Materialsprojekt für großes Sprachmodell . Es ermöglicht LLMs mit einer großflächigen Computermaterialdatenbank, um die Wahrscheinlichkeit einer Halluzination für Materialinformatik zu verringern.

? Schneller Start

Python API

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

Nach der Installation sehen Sie sich den Colab -Notebook -Chat oder die Notebooks in experiments an.

(Optionale) Atomistische Simulation

Möglicherweise müssen Sie zusätzliche Pakete installieren, um atomistische Simulationen zu unterstützen:

pip install ase, atomate2, jobflow, mace-torch

(Optional) Docker -Weboberfläche

docker-compose up --build

Beitragen

Wir verstehen irgendwann, dass es schwierig ist, die Datenbank für Materialprojekte zu navigieren! Wir möchten, dass jeder über Konversations -KI auf Materialinformatik zugreifen kann. Wir suchen nach Mitwirkenden, die uns helfen, eine leistungsstärkere und benutzerfreundlichere LLAMP zu erstellen, um mehr MP-API-Endpunkte oder externe Datenspeicher und Agenten zu unterstützen.

Um LLAMP zu steilen, befolgen Sie bitte die folgenden Schritte:

1. Geben Sie das Repository auf
2. Umgebungsvariablen einrichten

   cp .env.example .env.local

3. Verwalten Sie die lokale Entwicklungsumgebung

   docker-compose up

4. Nehmen Sie Änderungen vor und senden Sie eine Pull -Anfrage

? Autoren und Zitat

Wenn Sie LLAMP, unseren Code und unsere Daten in Ihrer Forschung verwenden, zitieren Sie bitte unser Papier:

 @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 }
}

? Anerkennung

Wir danken Matthew McDermott (@mattmcdermott), Jordan Burns in Materials Science and Engineering an der UC Berkeley für ihr wertvolles Feedback und Vorschläge. Wir danken auch dem Materials Project Team für ihre Unterstützung und für die Bereitstellung der in dieser Arbeit verwendeten Daten. Wir danken auch Dr. Karlo Berket (@kbuma) und Dr. Anubhav Jain (@computron) für ihre Ratschläge und Anleitung.