基于动态少样本学习的LLM预测双钙钛矿空间群

arXiv cs.AI 论文
llm materials-science perovskites few-shot-learning crystallography arxiv

摘要

本文介绍了DyRIS，一种使用动态少样本检索和规则引导推理的LLM智能体框架，用于预测双钙钛矿的空间群，在取得有竞争力准确率的同时，显著提升了少数空间群类别上的性能。

arXiv:2608.10483v1 公告类型：新 摘要：双钙钛矿（DPs）具有广泛的组分可调性，但预测稳定结构的空间群（SGs）仍然困难，因为可用数据集通常严重偏向于占主导地位的空间群类别。我们将占主导地位的空间群类别称为主要空间群（major SGs），将代表性不足的类别称为次要空间群（minor SGs）。我们提出了用于空间群预测的动态与多样性增强少样本检索和规则引导推理（DyRIS），这是一个基于LLM智能体的框架，可从给定的DP组分中预测排序后的SG候选。DyRIS使用多样性增强的动态少样本提示来检索相关的上下文示例，同时限制高频SGs的主导性。它进一步结合了基于B/B'阳离子有序性、定量指标和主要SG偏置控制的规则引导推理，以优化并对最终Top-3 SG候选进行排序。我们在3,528个热力学筛选的DP条目上评估了DyRIS，并将其与基于组分和基于描述符的基线进行了比较。在训练数据比例为0.5时，DyRIS取得了具有竞争力的总体准确率，同时获得了最佳的总体Top-1宏F1分数以及所有次要SG指标上的最佳表现。相对于CrabNet，DyRIS将次要SG Top-1准确率提高了3.26个百分点，并且其次要SG Top-3准确率高于最强的基于PyCaret的基线。消融研究表明，多样性增强检索、定量指标、主要SG偏置控制和B/B'有序性信息各自对预测性能有所贡献。额外的实验表明，最终的规则引导推理步骤不易被传统的基于分类器或排序器的模型所替代。这些发现证明了将基于检索的LLM推理与晶体学领域知识相结合用于不平衡材料数据集中SG预测的潜力。
查看原文
查看缓存全文

缓存时间: 2026/08/12 08:24 

# 基于动态少样本学习的LLM预测双钙钛矿空间群
来源：https://arxiv.org/abs/2608.10483
查看PDF（https://arxiv.org/pdf/2608.10483）

> 摘要：双钙钛矿（DPs）提供了广泛的组分可调性，但预测稳定结构的空间群（SGs）仍然困难，因为可用数据集通常严重失衡，偏向于占主导地位的空间群类别。我们将占主导地位的空间群类别称为主要空间群（major SGs），将代表性不足的类别称为次要空间群（minor SGs）。我们提出了用于空间群预测的动态与多样性增强少样本检索及规则引导推理（DyRIS），这是一个基于LLM智能体的框架，可从给定的DP组分预测排序后的空间群候选。DyRIS使用多样性增强的动态少样本提示来检索相关的上下文示例，同时限制高频出现空间群的支配效应。它进一步结合了基于B/B′阳离子排序、定量指标和主要空间群偏差控制的规则引导推理，以优化和排序最终的Top-3空间群候选。我们在3,528个热力学筛选后的DP条目上评估了DyRIS，并将其与基于组分和基于描述符的基线方法进行了比较。在训练数据比例为0.5时，DyRIS在整体准确性上具有竞争力，同时取得了最佳的整体Top-1宏F1分数以及所有次要空间群指标上的最佳性能。与CrabNet相比，DyRIS将次要空间群Top-1准确率提高了3.26个百分点，并且比最强的基于PyCaret的基线获得了更高的次要空间群Top-3准确率。消融研究表明，多样性增强检索、定量指标、主要空间群偏差控制以及B/B′排序信息均对预测性能有所贡献。额外实验表明，最终的规则引导推理步骤不易被传统的基于分类器或排序器的模型所取代。这些发现证明了将基于检索的LLM推理与晶体学领域知识相结合，用于不平衡材料数据集中的空间群预测的潜力。

## 提交历史

来自：Jongwon Park \[查看电子邮件（https://arxiv.org/show-email/6f9818cb/2608.10483）\] **\[v1\]** 2026年8月11日星期二 04:53:56 UTC（2,034 KB）

相似文章