Automated Extraction of Multicomponent Alloy Data Using Large Language Models for Sustainable Design

本文提出了一种基于大语言模型（LLM）的流水线，能够从文本和表格中准确提取多组分合金数据，以创建同类中规模最大的公开数据库，通过识别用于轻量化、软磁及耐腐蚀应用的高性能合金候选材料，从而实现可持续材料设计。

要点

想象一下，材料科学的世界就像一座巨大的、混乱的图书馆，里面藏着数百万本书。这些书描述了如何制造新型的、超强韧或环保的金属合金（金属的混合物）。问题在于，其中的信息非常杂乱。有些事实隐藏在段落文字中，有些则埋藏在复杂的表格里，而且科学家们描述信息的方式也大相径庭。一位科学家可能会称某种金属为“Al-HEA”，而另一位则会写出冗长的化学式。如果试图通过逐一阅读这些书来寻找适用于特定用途的最佳配方，就像是试图徒手在沙滩上寻找一颗特定的沙粒——这既缓慢、乏味，又无法大规模进行。

这篇论文介绍了一个解决方案：一支由超级智能 AI 机器人（称为大语言模型，简称 LLM）组成的团队，它们充当了自动化图书管理员。它们的任务是阅读这些成千上万的科学论文，理解这些杂乱的信息，并将其整理成一个干净、可搜索的数字数据库。

以下是他们是如何完成这项工作的，分为几个简单的步骤：

1. 两步清洗法

研究人员意识到，他们不能只是简单地要求 AI“阅读所有内容”。他们需要一个策略，因此构建了一个两阶段的流水线：

• 第一阶段：“略读员”（文本提取）
  首先，AI 阅读论文的摘要和“我们是如何制造它的”部分。这就像是阅读谷物盒背面的成分表，看看上面列出了哪些原料。AI 会寻找：

  • 混合物中含有哪些金属？
  • 它是如何加热或冷却的？
  • 对它进行了哪些测试？
  • 结果： 他们建立了一个包含 37,711 条条目的数据库，仅列出了配方和所使用的测试类型。

• 第二阶段：“深潜员”（表格提取）
  接下来，AI 潜入存放实际数值的表格中。由于表格处理起来非常棘手，这一步难度更大。一个列在某篇论文中可能叫“硬度（Hardness）”，而在另一篇论文中可能叫“HV”。AI 必须被教会识别出它们指的是同一件事。它提取了具体的数值（如“500 MPa”）和条件（如“在 20 摄氏度下”）。

  • 结果： 他们建立了第二个规模更大的数据库，包含 148,069 条条目，其中包含了实际的性能数据。

2. 教会 AI 成为专家

你不能只要求一个通用的 AI 去阅读科学论文；它可能会感到困惑或编造事实（这是一个被称为“幻觉”的问题）。为了解决这个问题，研究人员使用了**提示工程（Prompt Engineering）**技术。

你可以把这理解为在开始工作前给 AI 一份专门的说明书。他们告诉 AI：

• “你是一位材料科学专家。”
• “这是一本关于金属命名的字典。”
• “这里有 98 个如何阅读句子并提取正确数值的示例。”
• “如果你不确定，请说‘我不知道’，而不是瞎猜。”

他们还使用了一种名为 RAG（检索增强生成） 的技巧。想象一下 AI 正在参加考试。它不仅仅依靠记忆，而是拥有一份“小抄”。在回答有关特定合金的问题之前，AI 会从其训练数据中查找类似的例子，以了解专家会对该特定类型的问题如何回答。这使得 AI 的准确性大大提高。

3. 结果：一个巨大的、干净的数据库

通过将此系统应用于 10,000 多篇科学文章，该团队创建了目前公开可用的最大的多组元合金（通常称为高熵合金）数据库。

• 他们发现 AI 的准确率约为 83% 到 88%，这与以往的方法相当，甚至更好。
• 他们清理了数据，使“Al-HEA”和“Aluminum High Entropy Alloy（铝高熵合金）”被理解为同一种东西。

4. 让数据库发挥作用：“绿色”测试

研究人员并没有止步于建立这个图书馆；他们利用它解决了一个现实世界的问题：可持续性。

他们想要寻找那些不仅强度高，而且对地球友好的合金。他们针对三个具体用途进行了研究：

1. 轻量化： 使汽车和飞机更轻，从而节省燃料。
2. 软磁性： 制造更好的电机和变压器用于电力。
3. 耐腐蚀性： 制造在海水或化学物质中不会生锈的材料。

他们将性能数据（强度有多大？）与“可持续性评分”（开采这些金属有多难？制造它们会产生多少污染？）结合在一起。

发现：
他们发现了几种新的合金配方，这些配方比目前使用的商业金属更好。这些新合金不仅强度高或耐腐蚀，而且是由更丰富、更容易回收的元素制成的，这使得它们成为面向未来的更环保的选择。

总结

简而言之，这篇论文是关于使用 AI 作为超级强大的翻译官和组织者。它将一座杂乱无章、非结构化的科学写作大山，转化成了一张干净、有序的电子表格。这个全新的电子表格让科学家能够快速找到适用于特定用途的最佳且最环保的金属配方，从而加速了可持续材料的发明。该团队已将此数据库及所使用的代码在线公开，以便他人使用。

技术摘要

技术摘要：利用大语言模型实现多组分合金数据的自动化提取，以支持可持续设计

问题陈述
可持续材料的设计需要同时优化性能与环境影响。然而，数十年来在实验和计算研究中产生的关于多组分合金（特别是高熵合金，HEAs）的海量知识，仍以非结构化形式（文本、表格、图表）分散在科学文献中。大规模手动整理这些数据是不可行的。虽然以往利用特定任务机器学习（ML）模型或基于规则的方法进行的自动化提取工作已显示出潜力，但它们往往难以处理材料科学中固有的复杂且依赖上下文的关系（例如，将属性值与特定的测试条件相关联）。此外，早期用于数据提取的大语言模型（LLM）应用存在准确性有限、属性范围狭窄以及缺乏标准化成分数据等问题，阻碍了其构建用于可持续材料选择的全面、机器可读数据库的能力。

方法论
作者开发了一个基于 LLM 的两阶段流水线，用于从超过 10,000 篇多组分合金研究论文中提取结构化数据。该工作流利用了 OpenAI 的 GPT-4o 和 GPT-4o mini 模型，并通过高级提示工程技术进行了增强，包括系统级指令、领域特定上下文、少样本学习（few-shot learning）、思维链推理（chain-of-thought reasoning）以及检索增强生成（RAG）。

1. 文献语料库构建： 从 Web of Science 中查询了约 18,000 篇文章。通过 Elsevier API 获取了 10,829 篇可访问的文章，并将其解析为 XML 格式，并分割为摘要、实验部分和表格。
2. 查询集 1 (QS1) —— 文本提取：
   • 目标： 从摘要和实验部分中提取合金体系、加工条件、表征技术和报告的属性名称。在此阶段不提取数值。
   • 技术： 采用基于 RAG 的方法，从向量数据库（包含四个类别共 98 个精心标注的示例）中检索出与当前内容最相似的前 5 个专家标注示例，以引导 LLM。提示词采用了思维链结构，引导模型完成任务定义、上下文理解和提取过程。
   • 输出： 一个由成分和加工条件定义的合金级记录数据库 (DB1)。
3. 查询集 2 (QS2) —— 表格提取：
   • 目标： 从表格中提取定量属性值、单位、测试条件和合金成分。
   • 技术： 采用了两步走的 LLM 处理流程。首先，通过改进的 RAG 方法，通过将表格中的属性标题与 354 个标准化材料属性的主列表（源自 DB1）进行匹配，来识别表格中的属性标题。其次，使用针对性的提示词提取识别出的属性对应的数值及其相关条件。
   • 后处理： 使用涉及基于规则检查和二次 LLM 调用的多阶段流水线来标准化非标准命名法（例如，将“SS304”转换为化学成分），从而增加了可用条目的数量。
4. 可持续性集成： 将生成的数据库与九个精选的可持续性指标（涵盖供应风险、环境负担和社会经济因素）相结合，以评估三个应用领域的合金候选材料。

核心贡献

• 双数据库构建： 该流水线生成了两个互补的数据库：
  • DB1： 包含 37,711 条条目，涵盖合金成分、加工条件和属性名称。
  • DB2： 包含 148,069 条条目，涵盖定量属性值、单位和实验条件。
• 标准化属性词汇表： 作者策划了一个包含 354 个不同材料属性的受控词汇表以确保一致性，同时包含一个“其他（Others）”类别，以捕捉非标准或特定文章的指标，而不丢失数据。
• RAG 增强型提示： 通过 RAG 根据语义相似度动态选择少样本示例，显著提高了提取的准确性和领域敏感性，优于静态提示。
• 公共可访问性： 策划的数据集通过交互式 Web 平台“Alloy Tattvasar”公开提供，并在 GitHub 上提供了源代码和提示词模板。

结果

• 提取性能：
  • QS1 (文本)： 对标专家标注的综述文章基准，实现了 0.83 的 F1 分数。系统在识别合金成分方面表现出极高的精确度，但在处理化学式中复杂的多步算术代换时面临挑战。
  • QS2 (表格)： 在广泛的属性范围（机械、腐蚀、电学等）内实现了 0.88 的 F1 分数，其中机械属性的 F1 分数特别高，达到了 0.96。精确度接近完美（0.98），但由于表格数据的复杂性和对排除不确定条目的严格指令，召回率受到限制（约为 80%）。
• 数据库统计： 最终的 DB2 包含 16,381 种独特的合金成分。通过 t-SNE 可视化揭示了合金家族的明显聚类以及属性之间的相关性（例如，硬度和屈服强度）。
• 可持续设计案例研究： 数据库被应用于三个领域：
  1. 轻量化： 识别出 9 种 HEA 候选材料（例如富 Fe 系、Al/Ti 富集系），这些材料与商业铝和钛相比，具有竞争力的比强度和良好的可持续性指数。
  2. 软磁材料： 识别出 11 种候选材料（例如 Al-Co-Cr-Fe-Ni-Si 系），其性能可与 FINEMET 和 Permalloy 媲美，但通过减少对 Ni 和 Co 等关键元素的依赖，提升了可持续性。
  3. 耐腐蚀性： 识别出候选材料（例如 Cr-Fe-Al-Ni 系），其腐蚀电流密度与 SS 316L 相当，但由于不含钼，具有更高的可持续性指数。

意义与主张
本文声称，这项工作证明了基于 LLM 的方法能够将复杂的、非结构化的材料文献转化为结构化的、准确的且可用于下游 AI/ML 及材料发现任务的数据库。作者强调，该方法不仅成功捕获了属性值，还捕获了对于有意义的数据解释至关重要的关键实验背景（加工和测试条件）。

研究指出，所开发的流水线可以推广到其他材料类别，并能与严谨的可持续性方法论（如生命周期评估）相结合，以支持可持续材料设计。作者承认目前存在的局限性，特别是排除了嵌入在图表中的数据，以及在标准化多相系统微观结构信息方面的挑战，并指出未来的 LLM 和智能体框架（agentic frameworks）的发展有望解决这些差距。该工作将生成的数据库定位为学习成分-属性关系并加速可持续多组分合金发现的基础资源。