llamp

llamp ??

大型語言模型為高保真材料知識知識檢索和蒸餾而實現強大

提示

TL; dr：llamp是一種多式聯運檢索生成（RAG）的層次反應劑，可以動態地與材料項目遞歸相互作用，以在高保真材料信息學上接地LLM。

該存儲庫伴隨著我們的論文LLAMP：大型語言模型，可為高保真材料知識檢索和蒸餾而做出強大的功能。我們的代碼庫建立在蘭班基上，旨在模塊化和擴展，可用於復制論文中的實驗以及開發新的實驗。

LLAMP還是大型語言模型材料項目的同義。它使LLM具有大規模計算材料數據庫，以減少材料信息學幻覺的可能性。

？快速開始

Python API

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

安裝後，請查看COLAB筆記本聊天或experiments中的筆記本。

（可選）原子模擬

您可能需要安裝其他軟件包來支持原子模擬：

pip install ase, atomate2, jobflow, mace-torch

（可選）Docker Web界面

docker-compose up --build

貢獻

我們了解某個時候很難瀏覽材料項目數據庫！我們希望每個人都能夠通過對話AI訪問材料信息學。我們正在尋找貢獻者，以幫助我們構建一個更強大且用戶友好的LLAMP，以支持更多的MP API端點或外部數據存儲和代理。

要引發到LLAMP，請按照以下步驟操作：

1. 分叉存儲庫
2. 設置環境變量

   cp .env.example .env.local

3. 部署本地發展環境

   docker-compose up

4. 進行更改並提交拉力請求

？作者和引文

如果您在研究中使用LLAMP，我們的代碼和數據，請引用我們的論文：

 @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 }
}

？致謝

我們感謝Matthew McDermott（@mattmcdermott），喬丹·伯克利（UC Berkeley）的材料科學與工程學中的喬丹·伯恩斯（Jordan Burns）的寶貴反饋和建議。我們還要感謝材料項目團隊的支持，並提供了這項工作中使用的數據。我們還要感謝Karlo Berket博士（@kbuma）和Anubhav Jain博士（@Computron）的建議和指導。