Agentic schema-guided extraction of materials process knowledge from scientific literature
作者: Sameer Sadruddin, Jennifer D'Souza
分类: cs.CL, cond-mat.mtrl-sci, cs.AI, cs.DL, cs.ET
发布日期: 2026-10-05
备注: 15 pages, 3 figures, submitted for review to Nature Communications Materials
💡 一句话要点
提出SciKGExtract框架以解决材料文献知识提取问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 材料文献 知识提取 大语言模型 化学规范化 代理评估 知识图谱 实验知识
📋 核心要点
- 现有材料文献知识提取方法在处理异质性报告和过程特定上下文时存在显著挑战，导致知识聚合困难。
- 本文提出的SciKGExtract框架结合了大语言模型提取、化学规范化和代理评估，旨在提高知识提取的准确性和效率。
- 实验结果显示，经过代理优化后，ZnO的F1值从0.591提升至0.805，表明该方法在复杂材料文献处理中的有效性。
📝 摘要（中文）
材料文献包含详细的实验知识，但由于报告形式的异质性和过程特定上下文的依赖，程序、化学实体和测量的聚合仍然困难。本文提出了SciKGExtract，一个结合大语言模型提取、化学规范化和基于代理的评估与优化的框架，旨在在知识图谱集成之前进行知识提取。我们在176篇描述氧化锌（ZnO）和铟-镓-锌氧化物（IGZO）的原子层沉积论文上评估了该框架。结果表明，PubChem规范化提高了每个测试模型的精确匹配提取F1值，ZnO的最佳F1从0.591提升至0.805，而IGZO的最佳结果为0.344，显示出多组分超循环过程的更大难度。对包含65个实验属性和155个定量测量节点的深层嵌套模式的评估进一步揭示了过程分割和数值分配中的错误。这些结果表明，化学规范化和针对性的代理验证为将复杂材料文献转化为可重用的机器可操作实验知识提供了互补控制。
🔬 方法详解
问题定义：本文旨在解决材料文献中实验知识提取的困难，现有方法在处理异质性报告和过程特定上下文时效果不佳，导致知识聚合效率低下。
核心思路：SciKGExtract框架通过结合大语言模型的提取能力与化学规范化，利用代理评估和优化来提升知识提取的准确性，确保提取的知识能够被有效整合到知识图谱中。
技术框架：该框架主要包括以下几个模块：1) 大语言模型提取；2) 化学实体的规范化；3) 基于代理的评估与优化；4) 知识图谱的集成。每个模块相互协作，以实现高效的知识提取和整合。
关键创新：最重要的创新在于引入了代理评估机制，通过对提取结果进行动态优化，显著提高了多组分材料的知识提取准确性，这是与现有方法的本质区别。
关键设计：在框架中，使用了PubChem数据库进行化学规范化，设置了特定的损失函数以优化提取结果，并设计了适应性网络结构以支持复杂的知识提取任务。
🖼️ 关键图片
📊 实验亮点
实验结果显示，经过PubChem规范化处理后，ZnO的最佳F1值从0.591提升至0.805，而IGZO的最佳结果为0.344，表明该框架在处理复杂材料文献时的有效性和优势。
🎯 应用场景
该研究的潜在应用领域包括材料科学、化学工程和数据挖掘等，能够帮助研究人员更高效地从大量文献中提取和整合实验知识，推动材料研究的进展。未来，该框架有望扩展到其他领域的知识提取任务，提升科学研究的自动化水平。
📄 摘要（原文）
Materials literature contains detailed experimental knowledge, but procedures, chemical entities and measurements remain difficult to aggregate because they are reported in heterogeneous forms and depend on process-specific context. We present SciKGExtract, a schema-guided framework that combines large-language-model extraction with chemical normalization and agent-based evaluation and refinement before knowledge-graph integration. We evaluate the framework on 176 atomic-layer-deposition papers describing zinc oxide (ZnO) and indium--gallium--zinc oxide (IGZO), together with an expert-annotated full-schema subset. PubChem normalization improves exact-match extraction F1 for every tested model. For ZnO, the best F1 increases from 0.591 for direct normalized extraction to 0.805 with agentic refinement, whereas the best IGZO result is 0.344, revealing the greater difficulty of multicomponent supercycle processes. Evaluation against a deeply nested schema containing 65 experimental properties and 155 quantitative measurement nodes further exposes errors in process segmentation and numerical assignment. These results show that chemical canonicalization and targeted agentic verification provide complementary controls for converting complex materials literature into reusable, machine-actionable experimental knowledge.