llamp

Llamp ??

Modèle de grande langue fait puissant pour la recherche et la distillation de connaissances et de distillation de matériaux à haute fidélité

Conseil

TL; DR: LLAMP est un cadre de génération (RAG) de récupération multimodale des agents de réaction hiérarchique qui peuvent interagir dynamiquement et récursivement avec les matériaux projetés aux LLM à la terre sur l'informatique des matériaux à haute fidélité.

Ce référentiel accompagne notre papier Paper Llamp: un modèle grand langage rendu puissant pour la récupération et la distillation des connaissances des matériaux à haute fidélité . Notre base de code est construite sur Langchain et est conçue pour être modulaire et extensible, et peut être utilisée pour reproduire les expériences dans le papier, ainsi que pour développer de nouvelles expériences.

LLAMP est également un homonyme du projet de matériel de modèle de grande langue . Il permet aux LLMS de la base de données de matériaux de calcul à grande échelle pour réduire la probabilité d'hallucination pour l'informatique des matériaux.

? Démarrage rapide

API Python

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

Après l'installation, consultez Colab Notebook Chat ou les ordinateurs portables dans experiments pour démarrer.

Simulation atomistique (facultative)

Vous devrez peut-être installer des packages supplémentaires pour prendre en charge les simulations atomistiques:

pip install ase, atomate2, jobflow, mace-torch

Interface Web Docker (Facultatif)

docker-compose up --build

Contributif

Nous comprenons parfois qu'il est difficile de naviguer dans la base de données du projet de matériaux! Nous voulons que tout le monde puisse accéder à l'informatique du matériel via une IA conversationnelle. Nous recherchons des contributeurs pour nous aider à construire un LLAMP plus puissant et convivial pour prendre en charge plus de points de terminaison API MP ou d'agents et d'agents externes.

Pour continubler à llamp, veuillez suivre ces étapes:

1. Fourchez le référentiel
2. Configurer des variables d'environnement

   cp .env.example .env.local

3. Déployer un environnement de développement local

   docker-compose up

4. Apporter des modifications et soumettre une demande de traction

? Auteurs et citation

Si vous utilisez LLAMP, notre code et nos données dans votre recherche, veuillez citer notre article:

 @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 }
}

? Remerciements

Nous remercions Matthew McDermott (@mattmcdermott), Jordan Burns en science des matériaux et ingénierie à UC Berkeley pour leurs précieux commentaires et suggestions. Nous remercions également l'équipe du projet Materials pour leur soutien et pour avoir fourni les données utilisées dans ce travail. Nous remercions également le Dr Karlo Berket (@kbuma) et le Dr Anubhav Jain (@computron) pour leurs conseils et leurs conseils.