LLM驱动的科学文献材料数据自动化提取与结构化研究

《npj Computational Materials》：Large language model-enabled automated data extraction for concrete materials informatics

　　

摘要

数据驱动的材料发现前景仍受制于大规模、高质量且易于获取的实验数据集的稀缺性。在此，我们提出了一种可推广的大型语言模型（LLM）驱动的自动化管线，用于从无结构的科学文献中提取和结构化材料数据，并以混凝土作为具有代表性且极具挑战性的实例。该管线在多种大型语言模型上均表现出稳健的性能，在多样化的组成—工艺—性能属性上取得了高达0.98的F₁分数。在一小时内，该管线从超过27,000篇文献的语料库中筛选并提取了近9,000条包含100多个属性的高质量记录，从而构建了最大的掺合料混凝土开放实验室数据库。机器学习分析强调了大规模、多样化且信息丰富的数据集对于提高分布内精度和向未见材料进行分布外泛化能力的重要性。所提出的管线易于适应其他材料领域，并加速了材料信息学可扩展数据基础设施的发展。