AI驱动的科学文献挖掘与数据库提取方法论：以化学反应过程为案例的研究

《Energy and AI》：AI-Driven methodology for mining scientific literature and extracting databases: A case study on a chemical process

　　

学术论文是研发知识的主要来源，但其所含信息高度非结构化，分散于格式不一的正文、表格及图中。将此类分散信息结构化为连贯数据库是信息学的核心挑战。本研究提出一种通用的人工智能(AI)驱动方法论，利用大语言模型(Large Language Model, LLM)实现从科学文献中自动构建领域专用数据库，包含三个阶段：识别领域相关文献、按相关性对论文分类、提取其中科学数据。研究人员以环境相关化学反应为案例，构建了CO加氢(CO hydrogenation, Fischer-Tropsch)过程的催化性能数据库加以验证。从逾1000篇异源论文中提取数据并转化为表格型数据库，含逾9600条记录。提取性能表现优异：正文与表格提取F1值>99%，图表提取F1值为85.8%。该方法可便捷迁移至其他学科领域。

论文解读——《AI-Driven methodology for mining scientific literature and extracting databases: A case study on a chemical process》发表于《Energy and AI》

研究背景与意义

随着年发表论文量超250万篇，科研人员难以追踪迅速扩张领域内的进展并识别研究空白。尽管专题平台可汇总领域论文中萃取的数据，但科学文献中工程知识常以高度异构的非结构化形式（正文、表格、图形）呈现，术语与报告标准差异大，阻碍了系统性数据提取与连贯结构化输出之形成，传统人工或半自动方法无法胜任此规模与复杂度之任务。催化反应（如CO加氢/Fischer-Tropsch合成）评价需综合催化剂组成、反应条件（温度、压力、H₂/CO比、空速等）及催化性能指标（CO转化率、CH₄选择性、C₅₊选择性等），构成高维非线性催化性能空间，且已有机器学习研究受限于小型数据库（＜300条）。研究人员为此开发了一套端到端AI驱动流程，将非结构化科学文献自动转化为结构化表格数据库，并以CO加氢过程为案例验证。

主要关键技术方法

研究人员采用Gemini Flash 2.5大语言模型(LLM)，构建三步流水线：(1)文献检索与筛选——在多数据库用种子关键词初检，合并去重后由领域专家手动标注少量论文，以Few-shot学习训练LLM做相关性二分类(Yes/No)并给出0–1连续相关性评分，LLM再优化检索式进行精检索，最终筛选出相关论文；(2)文档预处理——用DocLayout-YOLO从PDF中检测并提取所有图形为独立图像；(3)科学信息提取(Scientific Information Extraction, SIE)——向LLM同时输入全文文本与对应图形图像，配合双Prompt（第一Prompt指定提取字段、单位换算、JSON输出模板及来源标注；第二Prompt做校验清单如单位核查、活性金属用元素符号、补全缺失条件字段），模型温度设为0，并用Pydantic架构强制结构化JSON输出，最终汇总为统一表格数据库并溯源至论文DOI及出处（正文/表/图编号）。

研究结果

1. Introduction（引言）

研究人员指出已有工具（ASreview、SciEx等）分别局限于筛选、缺自动文献检搜或多模态提取不全，本文方法集成自动检搜、AI分级分类、正文+表格+图的SIE及跨段落参数关联(parameter linkage)，属首例端到端(end-to-end)建库方案。

2. Related Work（相关工作）

对比分析显示：ASreview仅做AI分类；Dunn等及Helms Andersen等仅从文本提取；DeepDeSRT仅做表格结构识别无语义推理；Maciej等仅做图提取；LangExtract与GraphRAG仅限文本；SciEx能做多模态提取但需人工提供初筛论文且无自动检搜。本工作弥补上述局限。

3. Methods（方法）

详述种子查询→多引擎检搜→按出现频次分层抽样人工标注→Few-shot LLM训练→相关性打分→LLM优化检索式→精检→LLM分类获取相关论文列表→Selenium下载PDF→DocLayout-YOLO提取图→双Prompt SIE→Pydantic校验合并入库。强调Prompt含字段定义、图识别指令、单位统一要求及JSON模版示例。

4. Case Study: DB for CO hydrogenation（案例研究：CO加氢数据库）

4.1. Papers Search and AI-Assisted Classification（文献检搜与AI辅助分类）

初检4022篇，取重复≥3次者150篇混合其他建170篇标注集，训练Gemini Flash 2.5 Few-shot模型后在71篇新标题测试达97%准确率。LLM建议精炼检索式（含"Fischer-Tropsch" OR "CO hydrogenation" AND Fe/Co基催化剂 AND liquid hydrocarbons/C₅₊等），精检得2817篇，LLM分类标记1214篇为相关（平均相关性分0.98），获取＞1000篇全文PDF。

4.2 SIE（科学信息提取）

定义提取字段含Paper DOI、Result Type、Catalyst Name、Active metal（元素符号Fe/Co等）、Catalyst Composition（%活性相，%载体，__%助剂）、Temperature [°C]、Pressure [Bar]、H₂/CO ratio、Time [h]（TOS）、Catalyst mass [g]、Gas Flowrate [ml/min]、WHSV/GHSV [1/h]、CO Conversion、CO₂selectivity、CH₄selectivity、C₂-C₄selectivity（烯烃+烷烃合并）、C₅₊Selectivity、Selectivity as reported in the paper、Notes、Source（页码/表/图编号）、Source type（text/table/figure/text+table）。LLM先判读哪些图含催化性能数据并用对应独立图做数值读取，优先采用表/正文数据避免图重复录入，对图中时间序列只取稳态终值并在Notes说明。

5. Results and Discussion（结果与讨论）

5.1. Performance and validation（性能与验证）

SIE验证：正文文本Precision 99.4%、Recall 99.7%、F1 99.6%；表格Precision 98.7%、Recall 100%、F1 99.3%；图表Precision 78.6%、Recall 94.5%、F1 85.8%（数值点允许≤2%坐标轴范围误差）。正文与表格提取极准，图因视觉解析难度致F1略低。LLM能识别正文/表/图中重复数据去重，且对图中时程数据仅取稳态值。

5.2. Repeatability and prompt ablation analysis（重复性与提示词消融分析）

对20篇论文5次独立运行：13篇提取条目数标准差为0（完全重复），其余波动源于模型对聚合vs逐条拆分之判断及图中取初末值vs全时程点之差异。排除条目数波动样本后，数值参量5次运行一致性87%。去Prompt模版示例但保留Pydantic仍得结构化输出；去Pydantic仅留Prompt则输出非表格化自由文本——证实Pydantic对保证结构化至关重要，模版示例主要助模型理解抽取任务。

5.3. Database evaluation（数据库评估）

原始库9600余条，按工业适用条件过滤（T:150–350°C, P:0–70 bar, H₂/CO≤4, TOS≥20 h）得应用导向库3610条（Co基2234条，Fe基1119条）。可视化显示Co基催化剂常用~220°C、H₂/CO≈2，C₅₊选择性集中60–90%；Fe基需250–350°C、H₂/CO≈1或2，具水煤气变换活性，CO₂选择性多10–50%，C₅₊分散30–70%，C_2-4可达0–70%，反映二者产物分布根本差异。每条记录绑定DOI及出处便于溯源核查，但AI不能甄别原文实验错误，仅依原文提取。

6. Conclusions（结论）

研究人员开发了通用AI驱动方法论，可将科学文献中非结构化信息自动转为结构化机器可读数据库。应用于CO加氢过程建成含＞9600条目催化性能数据库，正文与表格SIE达F1＞99%，图提取F1＝85.8%。该方法可用关键词、参量及分类阈值调控规模与范围，适用于各学科。未来方向含不同LLM的SIE性能比较、提示扰动鲁棒性检验、LLM集成(ensemble)、持续更新机制（自动文献监测+ ingestion + 校验）及跨模型比对以提升表现。

（解读完）