双钙钛矿（DPs）提供了广泛的成分可调性，但预测稳定结构的空间群（SGs）仍然困难，因为现有的数据集往往强烈偏向于主导的SG类。我们将主导的SG类称为主要SG类，将代表性不足的类称为次要SG类。我们介绍了动态和多样性增强的少样本检索和规则引导推理用于空间群预测（DyRIS），一种基于LLM的框架，可以从给定的DP成分预测排名的SG候选项。DyRIS使用多样性增强的动态少样本提示检索相关的上下文示例，同时限制了频繁表示的SG类的主导地位。它进一步结合了基于B/B'阳离子排序、定量指标和主要SG偏差控制的规则引导推理，以完善和排名最终的Top-3 SG候选项。我们在3,528个热力学过滤的DP条目上评估了DyRIS，并将其与基于成分和描述符的基线进行比较。在训练数据比例为0.5时，DyRIS实现了具有竞争力的整体准确率，同时获得了最佳的整体Top-1宏F1评分和最佳的次要SG指标性能。DyRIS相对于CrabNet提高了次要SG Top-1准确率3.26个百分点，并且在所有次要SG类中实现了比PyCaret基线更高的Top-3准确率。消融研究表明，多样性增强的检索、定量指标、主要SG偏差控制和B/B'排序信息每个都为预测性能做出了贡献。其他实验表明，最后的规则引导推理步骤不容易被传统的分类器或排名模型所取代。这些发现表明了将检索式LLM推理与晶体学领域知识相结合以进行SG预测在不平衡材料数据集中的潜力。 博主点评： 本文提出了一种新的LLM框架DyRIS，用于预测双钙钛矿的空间群，通过动态少样本学习和规则引导推理实现了高准确率的预测，特别是在次要SG类的预测中取得了显著的改进，这为材料科学领域的研究提供了新的思路和方法。