در عصر حاضر، حجم عظیمی از مقالات علمی در حوزه مواد منتشر می‌شود که استخراج روابط بین ساختار شیمیایی، ویژگی‌ها و کاربردهای مواد را به یک چالش جدی تبدیل کرده است. به منظور تسهیل این فرآیند، محققان به دنبال روش‌های خودکار برای استخراج اطلاعات از متون علمی هستند. مقاله حاضر به معرفی یک پایپ‌لاین جامع و کارآمد برای استخراج داده‌های خواص مواد، به‌ویژه در حوزه پلیمرها، با استفاده از تکنیک‌های پردازش زبان طبیعی (NLP) می‌پردازد.

این تحقیق توسط تیمی از محققان به رهبری پراناو شتی، آرونکومار چیتهت راجان، کریستوفر کونت، سونکاکشی گوپتا، لاکشمی پررانا پانچومارتی، لورن هولم، چائو ژانگ و رمپی رامپراساد انجام شده است. این محققان در زمینه‌هایی مانند علوم مواد، مهندسی شیمی، علوم کامپیوتر و پردازش زبان طبیعی تخصص دارند. هدف اصلی این تحقیق، توسعه ابزاری خودکار برای تسریع فرآیند کشف و تحلیل خواص مواد پلیمری از طریق بررسی خودکار حجم وسیعی از مقالات علمی است.

مقاله حاضر به معرفی یک پایپ‌لاین استخراج داده می‌پردازد که با استفاده از روش‌های پردازش زبان طبیعی (NLP) قادر است به طور خودکار داده‌های مربوط به خواص مواد را از چکیده‌های مقالات حوزه پلیمر استخراج کند. یکی از اجزای کلیدی این پایپ‌لاین، مدل زبانی MaterialsBERT است که با استفاده از ۲.۴ میلیون چکیده مقاله در زمینه علوم مواد آموزش داده شده است. این مدل زبانی در مقایسه با سایر مدل‌های پایه، در سه مورد از پنج مجموعه داده شناسایی موجودیت‌های نام‌گذاری شده، عملکرد بهتری از خود نشان داده است. با استفاده از این پایپ‌لاین، محققان توانسته‌اند حدود ۳۰۰,۰۰۰ رکورد از خواص مواد را از حدود ۱۳۰,۰۰۰ چکیده در مدت ۶۰ ساعت استخراج کنند. داده‌های استخراج شده برای کاربردهای متنوعی مانند سلول‌های سوختی، ابرخازن‌ها و سلول‌های خورشیدی پلیمری مورد تجزیه و تحلیل قرار گرفته‌اند و بینش‌های مهمی را آشکار کرده‌اند. داده‌های استخراج شده از طریق این پایپ‌لاین از طریق یک پلتفرم وب به آدرس https://polymerscholar.org در دسترس عموم قرار گرفته‌اند که می‌تواند برای یافتن آسان داده‌های مربوط به خواص مواد ثبت شده در چکیده‌ها مورد استفاده قرار گیرد. این تحقیق نشان می‌دهد که ایجاد یک پایپ‌لاین خودکار که از مقالات منتشر شده شروع شده و به مجموعه‌ای کامل از اطلاعات استخراج شده از خواص مواد ختم می‌شود، امکان‌پذیر است.

روش‌شناسی این تحقیق بر پایه ترکیبی از تکنیک‌های پردازش زبان طبیعی و یادگیری ماشین استوار است. مراحل کلیدی این روش‌شناسی عبارتند از:

• جمع‌آوری داده‌ها: جمع‌آوری مجموعه بزرگی از چکیده‌های مقالات علمی در زمینه پلیمرها.
• آماده‌سازی داده‌ها: پاکسازی و پیش‌پردازش متون چکیده‌ها برای آماده‌سازی برای آموزش مدل‌های NLP. این مرحله شامل حذف علائم نگارشی، تبدیل حروف به کوچک، و توکنایز کردن متن است.
• آموزش مدل زبانی MaterialsBERT: آموزش یک مدل زبانی بر پایه معماری BERT با استفاده از مجموعه داده چکیده‌های علوم مواد. این مدل زبانی قادر است الگوها و روابط بین کلمات و عبارات را در متون علمی یاد بگیرد. BERT (Bidirectional Encoder Representations from Transformers) یک مدل ترنسفورمر است که برای درک بهتر متن به صورت دوطرفه (از چپ به راست و راست به چپ) آموزش داده می شود.
• شناسایی موجودیت‌های نام‌گذاری شده (Named Entity Recognition – NER): استفاده از مدل MaterialsBERT به عنوان یک انکودر برای شناسایی موجودیت‌های کلیدی مانند نام مواد، خواص مواد، و مقادیر آن‌ها در چکیده‌ها. به عبارت دیگر، سیستم باید بتواند تشخیص دهد کدام کلمات یا عبارات در متن به چه موجودیتی اشاره دارند (مثلاً “پلی‌اتیلن” به نوع ماده و “نقطه ذوب” به خاصیت ماده).
• استخراج روابط: استخراج روابط بین موجودیت‌های شناسایی شده، مانند ارتباط بین نام ماده و خواص آن. این مرحله شامل شناسایی عباراتی است که این روابط را توصیف می‌کنند (مثلاً “پلی‌اتیلن دارای نقطه ذوب بالایی است”).
• تجزیه و تحلیل داده‌ها: تجزیه و تحلیل داده‌های استخراج شده برای شناسایی الگوها، روندها و روابط مهم بین ساختار، ویژگی‌ها و کاربردهای مواد پلیمری.

به عنوان مثال، فرض کنید چکیده مقاله ای به این صورت است: “پلی‌اتیلن با وزن مولکولی بالا و شاخص جریان مذاب پایین، استحکام کششی بالایی از خود نشان می‌دهد.” پایپ‌لاین پیشنهادی باید بتواند تشخیص دهد که “پلی‌اتیلن” یک ماده است، “وزن مولکولی” و “شاخص جریان مذاب” ویژگی های ماده هستند، و “استحکام کششی” یک خاصیت وابسته به این ویژگی ها است.

نتایج این تحقیق نشان می‌دهد که پایپ‌لاین توسعه یافته قادر است به طور موثر داده‌های مربوط به خواص مواد را از متون علمی استخراج کند. برخی از یافته‌های کلیدی این تحقیق عبارتند از:

• مدل زبانی MaterialsBERT در مقایسه با سایر مدل‌های پایه در شناسایی موجودیت‌های نام‌گذاری شده در حوزه علوم مواد عملکرد بهتری از خود نشان می‌دهد.
• پایپ‌لاین توسعه یافته قادر است حجم زیادی از داده‌ها را در مدت زمان نسبتاً کوتاهی استخراج کند.
• داده‌های استخراج شده می‌تواند برای کاربردهای متنوعی مانند توسعه مواد جدید، بهینه‌سازی خواص مواد و پیش‌بینی عملکرد مواد مورد استفاده قرار گیرد.
• تجزیه و تحلیل داده‌های استخراج شده، بینش‌های جدیدی در مورد روابط بین ساختار، خواص و کاربردهای مواد پلیمری ارائه می‌دهد.

این تحقیق دستاوردهای قابل توجهی در زمینه استخراج خودکار داده‌ها از متون علمی دارد. برخی از کاربردهای بالقوه این پایپ‌لاین عبارتند از:

• تسریع فرآیند کشف مواد جدید: با استخراج خودکار اطلاعات از مقالات علمی، محققان می‌توانند به سرعت به داده‌های مربوط به خواص مواد دسترسی پیدا کنند و فرآیند کشف مواد جدید را تسریع کنند.
• بهینه‌سازی خواص مواد: با تجزیه و تحلیل داده‌های استخراج شده، می‌توان روابط بین ساختار و خواص مواد را شناسایی کرده و خواص مواد را به طور بهینه تنظیم کرد.
• پیش‌بینی عملکرد مواد: با استفاده از مدل‌های یادگیری ماشین که با داده‌های استخراج شده آموزش داده شده‌اند، می‌توان عملکرد مواد را در شرایط مختلف پیش‌بینی کرد.
• ایجاد پایگاه‌های داده جامع از خواص مواد: داده‌های استخراج شده می‌تواند برای ایجاد پایگاه‌های داده جامع و قابل جستجو از خواص مواد مورد استفاده قرار گیرد. پلتفرم https://polymerscholar.org نمونه‌ای از این نوع پایگاه‌های داده است.

به عنوان مثال، در زمینه سلول‌های سوختی، محققان می توانند از این پایپ‌لاین برای یافتن پلیمرهایی با رسانایی یونی بالا و پایداری شیمیایی مناسب استفاده کنند. در زمینه ابرخازن‌ها، می‌توان پلیمرهایی با سطح ویژه بالا و پایداری الکتروشیمیایی مطلوب را شناسایی کرد.

این مقاله یک پایپ‌لاین کارآمد و خودکار برای استخراج داده‌های خواص مواد از متون علمی ارائه می‌دهد. استفاده از مدل زبانی MaterialsBERT و تکنیک‌های پردازش زبان طبیعی امکان استخراج حجم زیادی از داده‌ها را در مدت زمان کوتاهی فراهم می‌کند. داده‌های استخراج شده می‌تواند برای کاربردهای متنوعی در زمینه علوم مواد و مهندسی مورد استفاده قرار گیرد و به تسریع فرآیند کشف و توسعه مواد جدید کمک کند. این تحقیق گامی مهم در جهت استفاده از هوش مصنوعی برای تحلیل داده‌های علمی و ارائه بینش‌های جدید در مورد خواص مواد است.