مقاله پیش بینی دقیق شکافهای باند آزمایشی از استخراج داده های مبتنی بر مدل زبان بزرگ

چکیده

Machine learning is transforming materials discovery by providing rapid predictions of material properties, which enables large-scale screening for target materials. However, such models require training data. While automated data extraction from scientific literature has potential, current auto-generated datasets often lack sufficient accuracy and critical structural and processing details of materials that influence the properties. Using band gap as an example, we demonstrate Large language model (LLM)-prompt-based extraction yields an order of magnitude lower error rate. Combined with additional prompts to select a subset of experimentally measured properties from pure, single-crystalline bulk materials, this results in an automatically extracted dataset that’s larger and more diverse than the largest existing human-curated database of experimental band gaps. Compared to the existing human-curated database, we show the model trained on our extracted database achieves a 19% reduction in the mean absolute error of predicted band gaps. Finally, we demonstrate that LLMs are able to train models predicting band gap on the extracted data, achieving an automated pipeline of data extraction to materials property prediction.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین با ارائه پیش بینی های سریع از خصوصیات مواد ، کشف مواد را تغییر می دهد ، که غربالگری در مقیاس بزرگ را برای مواد هدف امکان پذیر می کند.با این حال ، چنین مدلهایی به داده های آموزشی نیاز دارند.در حالی که استخراج داده های خودکار از ادبیات علمی دارای پتانسیل است ، مجموعه داده های تولید شده توسط خودکار اغلب فاقد دقت کافی و جزئیات ساختاری و پردازش بحرانی از موادی است که بر خصوصیات تأثیر می گذارد.با استفاده از شکاف باند به عنوان نمونه ، ما مدل بزرگ زبان (LLM) را نشان می دهیم-استخراج مبتنی بر تولید ، مرتبه ای از میزان خطای پایین تر را نشان می دهد.همراه با درخواست های اضافی برای انتخاب زیر مجموعه ای از خواص اندازه گیری شده آزمایشی از مواد فله خالص و تک کریستالی ، این منجر به یک مجموعه داده به طور خودکار استخراج می شود که بزرگتر و متنوع تر از بزرگترین بانک اطلاعاتی موجود در انسان از شکافهای باند آزمایشی است.در مقایسه با بانک اطلاعاتی موجود در انسان ، ما مدل آموزش داده شده در پایگاه داده استخراج شده ما را نشان می دهد ، 19 ٪ در میانگین خطای مطلق شکافهای باند پیش بینی شده به دست می آید.سرانجام ، ما نشان می دهیم که LLM ها قادر به آموزش مدل های پیش بینی شکاف باند بر روی داده های استخراج شده هستند و به یک خط لوله خودکار استخراج داده ها به پیش بینی خاصیت مواد می پردازند.