TL;DR
- v1 نوع اعلام:.
- متقاطع چکیده:.
- عوامل LLM موجود برای علم مواد محاسباتی توسط معماریهای محدود به خط لوله مرتبط با کدهای شبیهسازی خاص.
چه اتفاقی افتاد
v1 نوع اعلام:. متقاطع چکیده:.
عوامل LLM موجود برای علم مواد محاسباتی توسط معماریهای محدود به خط لوله مرتبط با کدهای شبیهسازی خاص. و وابستگی به توابع ابزار دستی که با دامنه کار رشد میکنند،.
محدود میشوند. ما MatClaw را معرفی میکنیم،.
یک عامل کد اول که پایتون را مستقیماً مینویسد و اجرا میکند،. و هر کتابخانه دامنه نصبشده را برای هماهنگ کردن گردشهای کاری چند کد روی خوشههای HPC راه دور.
بدون توابع ابزار از پیش تعریفشده مینویسد. برای حفظ اجرای منسجم در جریانهای کاری چند روزه،.
MatClaw از یک معماری حافظه چهار لایه استفاده میکند که از از دست رفتن پیشرونده زمینه جلوگیری میکند. و تولید تقویتشده با بازیابی بر روی کد منبع دامنه را که دقت تماس هر مرحله API را.
به 99 دلار افزایش میدهد. سه نمایش انتها به انتها بر روی CuInP2S6 فروالکتریک (آموزش میدانی نیروی یادگیری ماشینی از طریق یادگیری فعال،.
پیشبینی دمای کوری،. و جستجوی اکتشافی پارامتر-فضا) نشان میدهد که عامل تولید کد را بهطور قابل اعتماد اداره میکند،.
اما با دانش ضمنی حوزه مبارزه میکند. دانش گمشده،.
مانند مقیاسهای زمانی شبیهسازی مناسب،. پروتکلهای تعادل،.
و استراتژیهای نمونهگیری،. نوعی است که محققان از طریق تجربه جمعآوری میکنند اما به ندرت رسمیت میدهند.
دو مداخله سبک،. خودآموزی ادبیات و محدودیتهای مشخص شده توسط متخصص،.
این شکافها را پر میکنند و یک مدل خودمختاری هدایتشده را تعریف میکنند که در آن محقق دانش. سطح بالایی از دامنه را ارائه میکند در حالی که عامل اجرای گردش کار را مدیریت میکند.
نتایج ما نشان میدهد که شکاف بین تحقیقات مواد محاسباتی هدایتشده و کاملاً مستقل از همیشه باریکتر است:. LLMها در حال حاضر تولید کد و تفسیر علمیرا با اطمینان انجام میدهند،.
و بهبود سریع در قابلیتهای آنها،. کشف مواد را فراتر از جریانهای کاری دستی تسریع میکند.
میتواند به دست آورد. همه کدها و معیارها منبعباز هستند.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.