llamp

llamp ??

大型语言模型为高保真材料知识知识检索和蒸馏而实现强大

提示

TL; dr：llamp是一种多式联运检索生成（RAG）的层次反应剂，可以动态地与材料项目递归相互作用，以在高保真材料信息学上接地LLM。

该存储库伴随着我们的论文LLAMP：大型语言模型，可为高保真材料知识检索和蒸馏而做出强大的功能。我们的代码库建立在兰班基上，旨在模块化和扩展，可用于复制论文中的实验以及开发新的实验。

LLAMP还是大型语言模型材料项目的同义。它使LLM具有大规模计算材料数据库，以减少材料信息学幻觉的可能性。

？快速开始

Python API

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

安装后，请查看COLAB笔记本聊天或experiments中的笔记本。

（可选）原子模拟

您可能需要安装其他软件包来支持原子模拟：

pip install ase, atomate2, jobflow, mace-torch

（可选）Docker Web界面

docker-compose up --build

贡献

我们了解某个时候很难浏览材料项目数据库！我们希望每个人都能够通过对话AI访问材料信息学。我们正在寻找贡献者，以帮助我们构建一个更强大且用户友好的LLAMP，以支持更多的MP API端点或外部数据存储和代理。

要引发到LLAMP，请按照以下步骤操作：

1. 分叉存储库
2. 设置环境变量

   cp .env.example .env.local

3. 部署本地发展环境

   docker-compose up

4. 进行更改并提交拉力请求

？作者和引文

如果您在研究中使用LLAMP，我们的代码和数据，请引用我们的论文：

 @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 }
}

？致谢

我们感谢Matthew McDermott（@mattmcdermott），乔丹·伯克利（UC Berkeley）的材料科学与工程学中的乔丹·伯恩斯（Jordan Burns）的宝贵反馈和建议。我们还要感谢材料项目团队的支持，并提供了这项工作中使用的数据。我们还要感谢Karlo Berket博士（@kbuma）和Anubhav Jain博士（@Computron）的建议和指导。