IGA-POLLM：用于材料文献信息提取中提示优化的改进遗传算法

《Materials Genome Engineering Advances》：IGA-POLLM: An Improved Genetic Algorithm for Prompt Optimization in Materials Literature Information Extraction

　　

基于大语言模型(LLM)的材料文献结构化知识提取受到异构报告、模式敏感性和提示依赖性的阻碍。在本研究中，研究人员提出了IGA-POLLM，一种无梯度的提示优化框架，该框架利用六个模式对齐的语义基因组件和一种具有动态交叉/变异调度、锦标赛选择和精英保留的改进遗传算法，将提示工程重构为离散组合搜索。以缓蚀剂文献作为材料文献模型系统，IGA-POLLM针对从解析后的PDF中严格基于JSON提取五个字段优化提示。一种基于分层F₁的适应度函数结合混合匹配，使优化与实际数据库构建对齐。在包含130篇论文的数据集上，IGA-POLLM优于标准遗传优化（F₁为0.8571对比0.8208），同时减少了运行时间（5.6小时对比8.2小时），在五个出版商间泛化（平均F₁ > 0.85），并在五个主流LLM间持续迁移。该框架是模式驱动的，并可扩展到其他材料子领域。

材料科学文献的快速膨胀带来了海量非结构化信息，这些信息涉及材料成分、加工参数、服役条件与性能指标等。高效准确的结构化数据提取是加速材料发现、优化和设计的先决条件。然而，文献中的关键信息常分散在不同章节且表达方式高度异质，期刊风格差异进一步加剧了术语和表述的多样性，给大规模系统化复用带来挑战。早期的人工标注效率低且主观性强；基于规则或传统机器学习(NLP)的方法依赖专家定义和大量标注，泛化能力有限。大语言模型(LLM)展现出深度语义建模潜力，但其输出对提示设计高度敏感，在严格模式约束（如JSON输出）下，字段覆盖、数值规范化或格式的细微偏差即可破坏下游解析。现有提示优化策略，包括专家经验调优、白盒梯度方法、黑盒离散搜索及启发式组合优化，在自动化程度、领域迁移性、评估成本、收敛稳定性与可解释性方面存在不足。为此，研究人员提出了面向材料文献信息提取的专用提示优化框架IGA-POLLM，以缓蚀剂文献为模型系统进行验证。该论文发表于《Materials Genome Engineering Advances》。

研究人员从Elsevier、Springer、美国化学会(ACS)、Wiley和MDPI五个主流出版商收集近5年缓蚀剂研究论文，经三位标注者独立标注并由第四位交叉验证，构建了含130篇文献的金标准数据集，其中30篇为优化训练集，100篇为测试集。技术方法包括：将提示分解为角色定义、缓蚀剂名称、金属基底、实验环境、缓蚀效率、测试方法六个模式对齐的语义基因组件，每个组件四种表达风格，编码为整数染色体，形成4⁶（4096）种组合；采用改进遗传算法(IGA)，包括动态指数衰减的交叉/变异概率（K=3）、锦标赛选择（竞赛规模3）、单点交叉、随机等位基因突变和精英保留；适应度函数采用分层F₁分数，结合精确匹配、关键片段匹配和序列相似度（阈值0.7）的混合匹配策略；使用pdfplumber提取带坐标的文本并重建断字，最终以严格JSON模式输出五个字段。

3.1 IGA性能验证实验
3.1.1 IGA与GA对比实验：在30篇文献上、相同种群和迭代预算下，IGA达到F₁=0.8571，优于标准遗传算法(GA)的0.8208；运行时间从8.2小时降至5.6小时。10次独立重复实验表明IGA平均最佳F₁为0.8496±0.0067，GA为0.8155±0.0154，证明IGA收敛更快且更稳定。
3.1.2 基于不同数据集规模的IGA验证实验：分别使用10、20、30篇文献进行优化，三种规模下适应度曲线均在第11代收敛且最终F₁均高于0.8，表明IGA对评估集规模不敏感。字段级分析显示，缓蚀效率初始F₁最低（0.604），但优化后提升最大（+0.157）；测试方法次之（+0.132）。提示风格统计表明，最终代中元素组合风格比例增至41.6%，说明算法偏好显式分解并重组实验要素的提示。10次运行中有6次收敛到同一最优染色体[2,3,1,3,1,1]，显示搜索具有可重复性。
3.2 IGA-POLLM泛化性评估实验：对100篇来自五个出版商的文献进行端到端提取，所有来源的平均F₁均大于0.85。其中MDPI表现最好且分布最集中，Wiley离散度较大。简单单栏版式比复杂双栏版式更少出现阅读顺序错误，但整体性能稳定，证明其对不同出版商和版式的鲁棒性。
3.3 提示设计方法对比实验：在相同数据上，IGA优化提示的F₁=0.857，高于专家设计（0.815）和随机采样（0.816）。IGA的精确率（0.871）显著高于专家（