本文介绍了多种基于机器学习的模型在材料属性预测中的应用，如IRNet、MatInFormer和MatChat。这些模型在催化剂优化、晶体稳定性预测和材料合成路径推断方面表现优异，强调了深度学习与密度泛函理论结合的重要性，并提供了开源工具和数据集以促进材料科学研究。

本研究提出了一种多模态框架，将结构数据与文本描述结合，利用大型语言模型（LLMs）提高材料属性预测的准确性。研究展示了MatInFormer和LLaMP模型在晶体结构和性质预测中的有效性，强调了LLMs在材料科学中的潜力和应用前景。