llamp

Llamp ??

Modelo de linguagem grande tornou-se poderoso para materiais de alta fidelidade Recuperação de conhecimento e destilação

Dica

Tl; DR: LLAMP é uma estrutura de geração de recuperação multimodal (RAG) de agentes de reação hierárquica que podem interagir dinamicamente e recursivamente com o projeto de materiais para LLMs de terra em informática de materiais de alta fidelidade.

Este repositório acompanha o nosso papel : Modelo de linguagem grande tornou-se poderoso para a recuperação e destilação do conhecimento dos materiais de alta fidelidade . Nossa base de código é construída sobre Langchain e foi projetada para ser modular e extensível, e pode ser usada para reproduzir os experimentos no artigo, bem como para desenvolver novos experimentos.

O LLAMP também é um homônimo de grande projeto de materiais de modelos de idiomas . Ele capacita o LLMS com o banco de dados de materiais computacionais em larga escala para reduzir a probabilidade de alucinação para informática dos materiais.

? Início rápido

API Python

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

Após a instalação, consulte o BOTOBOL COLAB ou os notebooks em experiments para iniciar.

(Opcional) simulação atomística

Pode ser necessário instalar pacotes adicionais para suportar simulações atomísticas:

pip install ase, atomate2, jobflow, mace-torch

(Opcional) Docker Web Interface

docker-compose up --build

Contribuindo

Entendemos em algum momento que é difícil navegar no banco de dados do projeto de materiais! Queremos que todos possam acessar a informática dos materiais através da IA ​​conversacional. Estamos procurando contribuidores para nos ajudar a criar um LLAMP mais poderoso e fácil de usar para oferecer suporte a mais pontos de extremidade da API MP ou armazenamento de dados e agentes externos.

Para contornar o Llamp, siga estas etapas:

1. Fork o repositório
2. Configurar variáveis ​​de ambiente

   cp .env.example .env.local

3. Implantar o ambiente de desenvolvimento local

   docker-compose up

4. Faça alterações e envie uma solicitação de tração

? Autores e citação

Se você usa o LLAMP, nosso código e dados em sua pesquisa, cite nosso artigo:

 @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 }
}

? Agradecimentos

Agradecemos a Matthew McDermott (@mattmcdermott), Jordan Burns em Ciência e Engenharia de Materiais na UC Berkeley por seus valiosos feedback e sugestões. Agradecemos também à equipe do Projeto de Materiais por seu apoio e por fornecer os dados usados ​​neste trabalho. Agradecemos também ao Dr. Karlo Berket (@kbuma) e ao Dr. Anubhav Jain (@Computron) por seus conselhos e orientações.