llamp

Llamp ??

แบบจำลองภาษาขนาดใหญ่สร้างทรงพลังสำหรับการดึงความรู้และการกลั่นความรู้วัสดุที่มีความเที่ยงตรงสูง

เคล็ดลับ

TL; DR: LLAMP เป็นกรอบการค้นพบแบบสืบค้นแบบหลายรูปแบบ (RAG) ของสารทำปฏิกิริยาแบบลำดับชั้นซึ่งสามารถโต้ตอบกับโครงการวัสดุกับวัสดุ LLMs บนพื้นดิน

พื้นที่เก็บข้อมูลนี้มาพร้อมกับ LLAMP กระดาษของเรา: แบบจำลองภาษาขนาดใหญ่สร้างทรงพลังสำหรับการดึงความรู้ด้านวัสดุที่มีความเที่ยงตรงสูงและการกลั่น codebase ของเราถูกสร้างขึ้นบน Langchain และได้รับการออกแบบให้เป็นแบบแยกส่วนและขยายได้และสามารถใช้ในการทำซ้ำการทดลองในกระดาษรวมถึงพัฒนาการทดลองใหม่

LLAMP ยังเป็นคำพ้องของ โครงการวัสดุรูปแบบภาษาขนาดใหญ่ มันให้อำนาจ LLMS ด้วยฐานข้อมูลวัสดุการคำนวณขนาดใหญ่เพื่อลดโอกาสในการเกิดภาพหลอนสำหรับวัสดุสารสนเทศ

- เริ่มต้นอย่างรวดเร็ว

Python API

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

หลังจากการติดตั้งให้ตรวจสอบการแชทโน๊ตบุ๊ค Colab หรือสมุดบันทึกใน experiments เพื่อเริ่มต้น

(ไม่บังคับ) การจำลองแบบอะตอม

คุณอาจต้องติดตั้งแพ็คเกจเพิ่มเติมเพื่อรองรับการจำลองแบบอะตอม:

pip install ase, atomate2, jobflow, mace-torch

(ไม่บังคับ) เว็บอินเตอร์เฟส Docker

docker-compose up --build

การบริจาค

เราเข้าใจว่าบางครั้งเป็นการยากที่จะนำทางฐานข้อมูลโครงการวัสดุ! เราต้องการให้ทุกคนสามารถเข้าถึงสารสนเทศวัสดุผ่านการสนทนา AI เรากำลังมองหาผู้มีส่วนร่วมเพื่อช่วยเราสร้าง LLAMP ที่มีประสิทธิภาพและเป็นมิตรกับผู้ใช้เพื่อรองรับจุดสิ้นสุด MP API ที่มากขึ้นหรือที่เก็บข้อมูลภายนอกและตัวแทน

ในการแก้ไข LLAMP โปรดทำตามขั้นตอนเหล่านี้:

1. แยกที่เก็บ
2. ตั้งค่าตัวแปรสภาพแวดล้อม

   cp .env.example .env.local

3. ปรับใช้สภาพแวดล้อมการพัฒนาในท้องถิ่น

   docker-compose up

4. ทำการเปลี่ยนแปลงและส่งคำขอดึง

- ผู้เขียนและการอ้างอิง

หากคุณใช้ LLAMP รหัสและข้อมูลของเราในการวิจัยของคุณโปรดอ้างอิงบทความของเรา:

 @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 }
}

- กิตติกรรมประกาศ

เราขอขอบคุณ Matthew McDermott (@mattmcdermott), Jordan Burns ในด้านวิทยาศาสตร์วัสดุและวิศวกรรมที่ UC Berkeley สำหรับข้อเสนอแนะและคำแนะนำที่มีค่าของพวกเขา นอกจากนี้เรายังขอขอบคุณทีมงานโครงการวัสดุที่ให้การสนับสนุนและให้ข้อมูลที่ใช้ในงานนี้ นอกจากนี้เรายังขอขอบคุณดร. Karlo Berket (@kbuma) และ Dr. Anubhav Jain (@computron) สำหรับคำแนะนำและคำแนะนำของพวกเขา