llamp

Llamp ??

Modelo de lenguaje grande hecho poderoso para la recuperación y destilación de conocimiento de materiales de alta fidelidad

Consejo

TL; DR: LLAMP es un marco de generación de recuperación multimodal (RAG) de agentes jerárquicos reactos que pueden interactuar dinámica y recursivamente con el proyecto de materiales para moldear LLM en la informática de materiales de alta fidelidad.

Este repositorio acompaña a nuestra Llamp de papel: un modelo de lenguaje grande hecho poderoso para la recuperación y destilación de conocimiento de materiales de alta fidelidad . Nuestra base de código se basa en Langchain y está diseñada para ser modular y extensible, y puede usarse para reproducir los experimentos en el documento, así como para desarrollar nuevos experimentos.

Llamp también es un homónimo del proyecto de materiales de modelos de idiomas grandes . Empodera a los LLM con la base de datos de materiales computacionales a gran escala para reducir la probabilidad de alucinación para la informática de materiales.

? Comienzo rápido

API de Python

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

Después de la instalación, consulte el chat de cuaderno Colab o los cuadernos en experiments para comenzar.

(Opcional) Simulación atomística

Es posible que deba instalar paquetes adicionales para admitir simulaciones atomísticas:

pip install ase, atomate2, jobflow, mace-torch

Interfaz web Docker (opcional)

docker-compose up --build

Que contribuye

¡Entendemos que en algún momento es difícil navegar por la base de datos del proyecto de materiales! Queremos que todos puedan acceder a la informática de materiales a través de IA conversacional. Estamos buscando contribuyentes que nos ayuden a construir una LLAMP más potente y fácil de usar para admitir más puntos finales de API de MP o almacén de datos externos y agentes.

Para contirbute para llampar, siga estos pasos:

1. Bifurca el repositorio
2. Configurar variables de entorno

   cp .env.example .env.local

3. Implementar un entorno de desarrollo local

   docker-compose up

4. Hacer cambios y enviar una solicitud de extracción

? Autores y citas

Si usa LLAMP, nuestro código y datos en su investigación, cite nuestro documento:

 @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 }
}

? Expresiones de gratitud

Agradecemos a Matthew McDermott (@mattmcdermott), Jordan Burns en ciencia e ingeniería de materiales en UC Berkeley por sus valiosas comentarios y sugerencias. También agradecemos al equipo del Proyecto de Materiales por su apoyo y por proporcionar los datos utilizados en este trabajo. También agradecemos al Dr. Karlo Berket (@kbuma) y al Dr. Anubhav Jain (@Computron) por sus consejos y orientación.