Role of Large Language Models and Retrieval-Augmented Generation for Accelerating Crystalline

一、文章主要内容总结

本文是一篇关于大型语言模型（LLMs）与检索增强生成（RAG）在加速晶体材料发现中应用的系统性综述，核心内容可分为以下几个部分：

1. 研究背景与动机

• 材料科学领域中，为各类节能器件寻找新型材料需开展大量耗时且高成本的模拟与实验，存在广阔的材料搜索空间，筛选目标材料候选者难度大。
• 基础LLMs虽在自然语言处理领域表现出色，但缺乏专业科学知识，处理领域特定问题时易产生“幻觉”（错误陈述）；而RAG技术可通过整合领域特定信息，为LLMs补充可靠外部知识，有望解决上述问题，故需系统梳理二者在材料科学中的应用。

2. 理论基础

• LLMs：基于Transformer架构，经海量文本语料训练，具备生成类人文本、知识推理能力，但知识受限于静态训练语料，无实时工具/数据库访问权限，易输出错误信息。
• RAG：结合神经文本检索模块与文本生成模块，输入查询后，检索器从外部语料库筛选少量相关文档，生成器结合查询与检索文档输出结果，公式表达为P(y∣x)=∑i=1KPret(zi∣x)Pgen(y∣x,zi)P(y | x)=\sum_{i=1}^{K} P_{ret}\left(z_{i} | x\right) P_{gen}\left(y | x, z_{i}\right)