در عصر حاضر، با انفجار اطلاعات و رشد نمایی حجم مقالات علمی، پژوهشگران حوزه‌هایی مانند علم مواد و شیمی با چالش بزرگی روبرو هستند: چگونه می‌توان از میان اقیانوسی از متون علمی، اطلاعات کلیدی و معنادار را به شکلی کارآمد استخراج کرد؟ بخش عمده‌ای از دانش بشری در قالب متن غیرساختاریافته (Unstructured Text) در مقالات، پتنت‌ها و گزارش‌های فنی نهفته است. استخراج دستی این اطلاعات نه تنها زمان‌بر و پرهزینه است، بلکه مستعد خطای انسانی نیز می‌باشد. مقاله “ChemNLP: A Natural Language Processing based Library for Materials Chemistry Text Data” ابزاری قدرتمند برای غلبه بر این چالش معرفی می‌کند. این مقاله یک کتابخانه نرم‌افزاری متن-باز به نام ChemNLP را ارائه می‌دهد که با بهره‌گیری از آخرین دستاوردهای هوش مصنوعی و پردازش زبان طبیعی (NLP)، به محققان امکان می‌دهد تا داده‌های متنی در حوزه شیمی مواد را به صورت خودکار تحلیل، دسته‌بندی و پردازش کنند. اهمیت این کار در توانایی آن برای تسریع فرآیند کشف مواد جدید، بهینه‌سازی روش‌های سنتز و ایجاد یک پل ارتباطی میان دانش تئوری و داده‌های تجربی نهفته در ادبیات علمی است.

این مقاله توسط کمال چوداری (Kamal Choudhary) و متیو ال. کلی (Mathew L. Kelley)، پژوهشگران برجسته در مؤسسه ملی استاندارد و فناوری ایالات متحده (NIST)، به رشته تحریر درآمده است. این پژوهش در چارچوب پروژه بزرگ‌تری به نام JARVIS انجام شده که یک زیرساخت جامع برای محاسبات و داده‌کاوی در علم مواد است. زمینه این تحقیق، نقطه‌ی تلاقی سه حوزه هیجان‌انگیز است: علم مواد، هوش مصنوعی (AI) و پردازش زبان طبیعی (NLP). نویسندگان با ترکیب تخصص خود در شیمی محاسباتی و یادگیری ماشین، ابزاری را خلق کرده‌اند که هدف آن تبدیل متون علمی از فرمت قابل خواندن برای انسان به فرمت قابل فهم و پردازش برای ماشین است.

کتابخانه ChemNLP به عنوان یک جعبه‌ابزار جامع برای تحلیل متون شیمی و علم مواد طراحی شده است. این کتابخانه متن-باز، مجموعه‌ای از قابلیت‌های کلیدی را فراهم می‌کند که فرآیندهای پژوهشی را متحول می‌سازد. بر اساس چکیده مقاله، ChemNLP برای اهداف زیر قابل استفاده است:

• پردازش و آماده‌سازی مجموعه داده‌ها: جمع‌آوری و پاک‌سازی داده‌های متنی از منابع معتبر و در دسترس عموم مانند arXiv و PubChem.
• طبقه‌بندی و خوشه‌بندی متون: استفاده از مدل‌های یادگیری ماشین سنتی، ترنسفورمرها (Transformers) و شبکه‌های عصبی گراف (GNNs) برای دسته‌بندی خودکار مقالات بر اساس موضوع.
• بازشناسی موجودیت‌های نام‌دار (NER): شناسایی و استخراج اطلاعات کلیدی مانند نام مواد، خواص فیزیکی، دما، فشار و روش‌های سنتز از دل متن.
• خلاصه‌سازی چکیده‌ای: تولید خودکار عنوان مقاله از روی متن چکیده آن، که به درک سریع محتوای مقاله کمک می‌کند.
• تولید متن: پیشنهاد متن چکیده بر اساس عنوان مقاله، که می‌تواند به نویسندگان در نگارش مقالات یاری رساند.
• یکپارچه‌سازی با داده‌های محاسباتی: اتصال به پایگاه داده‌های نظریه تابعی چگالی (DFT) برای شناسایی مواد کاندیدای بالقوه، مانند ابررساناها.
• رابط کاربری وب: ارائه یک واسط کاربری گرافیکی برای جستجوی آسان در متون و مراجع علمی.

این کتابخانه به گونه‌ای طراحی شده که ماژولار و قابل توسعه باشد، به این معنی که مدل‌ها و الگوریتم‌های جدید به راحتی می‌توانند به آن اضافه شوند.

زیربنای ChemNLP بر پایه مجموعه‌ای از داده‌ها و مدل‌های پیشرفته بنا شده است. نویسندگان از رویکردی چندلایه برای ساخت این کتابخانه بهره برده‌اند.

منابع داده:
پایه اصلی داده‌های مورد استفاده، مجموعه مقالات پیش‌چاپ arXiv و پایگاه داده ترکیبات شیمیایی PubChem است. این منابع به دلیل دسترسی آزاد و حجم بالای داده، گزینه‌های ایده‌آلی برای آموزش مدل‌های NLP هستند. با این حال، ابزارهای ChemNLP به گونه‌ای طراحی شده‌اند که بتوانند بر روی هر مجموعه داده متنی دیگری نیز اعمال شوند.

مدل‌های پردازشی:
ChemNLP از طیف وسیعی از مدل‌های یادگیری ماشین برای انجام وظایف مختلف استفاده می‌کند:

• یادگیری ماشین سنتی: مدل‌های پایه‌ای مانند TF-IDF به همراه رگرسیون لجستیک یا ماشین‌های بردار پشتیبان (SVM) برای وظایف طبقه‌بندی متن به عنوان یک معیار عملکرد پایه استفاده می‌شوند.
• مدل‌های ترنسفورمر (Transformers): این کتابخانه به طور گسترده از معماری‌های پیشرفته مبتنی بر ترنسفورمر مانند BERT و GPT بهره می‌برد. این مدل‌ها به دلیل توانایی فوق‌العاده در درک زمینه (Context) کلمات در جملات، برای وظایف پیچیده‌ای مانند بازشناسی موجودیت‌های نام‌دار (NER) و خلاصه‌سازی عملکرد بسیار بهتری از خود نشان می‌دهند.
• شبکه‌های عصبی گراف (Graph Neural Networks – GNNs): برای مدل‌سازی روابط بین مفاهیم مختلف، GNNها نیز در این کتابخانه گنجانده شده‌اند. برای مثال، می‌توان مقالات را به صورت گره‌هایی در یک گراف در نظر گرفت و روابط استنادی بین آن‌ها را به عنوان یال‌ها مدل‌سازی کرد.

کاربردهای عملی در روش‌شناسی:
یکی از نوآوری‌های کلیدی این پژوهش، اتصال دنیای متون غیرساختاریافته به داده‌های محاسباتی ساختاریافته است. برای مثال، فرآیند بازشناسی موجودیت‌های نام‌دار (NER) می‌تواند نام یک ماده مانند “SrTiO₃” را از یک مقاله استخراج کند. سپس ChemNLP می‌تواند این نام را به پایگاه داده JARVIS-DFT ارسال کرده و خواص محاسباتی آن ماده (مانند گاف انرژی، پایداری ترمودینامیکی و…) را بازیابی کند. این قابلیت، یک پل قدرتمند بین نتایج آزمایشگاهی گزارش‌شده در مقالات و پیش‌بینی‌های تئوری ایجاد می‌کند.

دستاورد اصلی این مقاله، ارائه یک کتابخانه عملی، متن-باز و کارآمد است که شکاف میان پژوهشگران علم مواد و حجم عظیم داده‌های متنی را پر می‌کند. یافته‌های کلیدی این پژوهش را می‌توان در چند مورد خلاصه کرد:

• اثبات کارایی مدل‌های NLP مدرن: این کار نشان می‌دهد که مدل‌های ترنسفورمر به طور قابل توجهی در استخراج اطلاعات دقیق از متون علمی شیمی، نسبت به روش‌های سنتی برتری دارند.
• ایجاد یک ابزار یکپارچه: ChemNLP تنها یک مدل خاص نیست، بلکه یک اکوسیستم کامل است که از جمع‌آوری داده تا تحلیل و ارائه نتایج از طریق رابط وب را پوشش می‌دهد.
• توسعه‌پذیری و ماژولار بودن: معماری کتابخانه به گونه‌ای است که محققان دیگر می‌توانند به راحتی مدل‌ها و قابلیت‌های جدیدی را به آن اضافه کنند و آن را برای نیازهای خاص خود سفارشی‌سازی نمایند.
• ایجاد پیوند میان داده‌های متنی و محاسباتی: مهم‌ترین یافته عملی، نشان دادن امکان‌پذیری و قدرت ادغام اطلاعات استخراج‌شده از مقالات با پایگاه‌داده‌های محاسباتی است که این امر پتانسیل تسریع کشف مواد را به شدت افزایش می‌دهد.

کاربردهای ChemNLP فراتر از یک پروژه آکادمیک صرف است و پتانسیل ایجاد تأثیر واقعی در صنعت و پژوهش را دارد.

• تسریع مرور ادبیات علمی: پژوهشگران می‌توانند به جای صرف هفته‌ها زمان برای جستجوی دستی، از ChemNLP برای یافتن سریع مقالات مرتبط، استخراج پارامترهای سنتز و مقایسه خواص مواد گزارش‌شده در مقالات مختلف استفاده کنند.
• کشف مواد مبتنی بر داده: با تحلیل حجم عظیمی از مقالات، ChemNLP می‌تواند الگوها و روابطی را کشف کند که از چشم انسان پنهان مانده‌اند. برای مثال، می‌تواند با شناسایی مواد کاندیدا برای کاربردهای خاص (مانند ابررساناهای دمابالا) و ارزیابی اولیه آن‌ها با داده‌های JARVIS-DFT، فرآیند غربالگری مواد را به شدت تسریع کند.
• تولید فرضیه‌های جدید: با خوشه‌بندی مقالات و تحلیل موضوعات نوظهور، این ابزار می‌تواند به محققان در شناسایی زمینه‌های تحقیقاتی جدید و تولید فرضیه‌های نوآورانه کمک کند.
• آموزش و ترویج علم داده: به عنوان یک ابزار متن-باز، ChemNLP منبع آموزشی ارزشمندی برای دانشجویان و محققانی است که می‌خواهند کاربرد هوش مصنوعی در علوم پایه را بیاموزند. رابط کاربری وب آن نیز استفاده از این فناوری پیشرفته را برای افرادی که متخصص NLP نیستند، آسان می‌کند.

مقاله و کتابخانه ChemNLP یک گام مهم رو به جلو در مسیر دیجیتالی‌سازی و هوشمندسازی پژوهش در حوزه شیمی و علم مواد است. در جهانی که با “سیل داده” مواجه هستیم، ابزارهایی مانند ChemNLP از یک انتخاب لوکس به یک ضرورت تبدیل شده‌اند. این کتابخانه با فراهم آوردن مجموعه‌ای جامع از ابزارها برای پردازش، تحلیل و استخراج دانش از متون علمی، به محققان این قدرت را می‌دهد که به جای غرق شدن در داده‌ها، بر روی آن‌ها سوار شده و به سمت اکتشافات جدید حرکت کنند. ChemNLP نه تنها یک دستاورد فنی، بلکه یک سرمایه‌گذاری در زیرساخت علم باز (Open Science) است که با ارائه دسترسی آزاد به کدها و ابزارها، همکاری و نوآوری را در جامعه علمی جهانی تقویت می‌کند و راه را برای نسل بعدی کشف مواد مبتنی بر هوش مصنوعی هموار می‌سازد.