論文の概要: Text to Insight: Accelerating Organic Materials Knowledge Extraction via Deep Learning

• arxiv url: http://arxiv.org/abs/2109.12758v1
• Date: Mon, 27 Sep 2021 01:58:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-29 06:51:55.578905
• Title: Text to Insight: Accelerating Organic Materials Knowledge Extraction via Deep Learning
• Title（参考訳）: text to insight: 深層学習による有機材料知識抽出の促進
• Authors: Xintong Zhao, Steven Lopez, Semion Saikin, Xiaohua Hu and Jane Greenberg
• Abstract要約: 本研究は,有機材料の知識抽出を探求することを目的とする。 我々は,92,667件の要約から,855件の注釈文と708,376件の注釈文からなる研究データセットを構築した。 BiLSTM-CNN-CRF深層学習モデルを用いて,文献から重要な知識を自動的に抽出した。
• 参考スコア（独自算出の注目度）: 1.2774526936067927
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific literature is one of the most significant resources for sharing knowledge. Researchers turn to scientific literature as a first step in designing an experiment. Given the extensive and growing volume of literature, the common approach of reading and manually extracting knowledge is too time consuming, creating a bottleneck in the research cycle. This challenge spans nearly every scientific domain. For the materials science, experimental data distributed across millions of publications are extremely helpful for predicting materials properties and the design of novel materials. However, only recently researchers have explored computational approaches for knowledge extraction primarily for inorganic materials. This study aims to explore knowledge extraction for organic materials. We built a research dataset composed of 855 annotated and 708,376 unannotated sentences drawn from 92,667 abstracts. We used named-entity-recognition (NER) with BiLSTM-CNN-CRF deep learning model to automatically extract key knowledge from literature. Early-phase results show a high potential for automated knowledge extraction. The paper presents our findings and a framework for supervised knowledge extraction that can be adapted to other scientific domains.
• Abstract（参考訳）: 科学文学は知識を共有するための最も重要な資源の1つである。 研究者は、実験を設計する第一歩として科学文献に目を向ける。 文学の広範化と増大を考えると、知識の読み出しと手作業による抽出の一般的なアプローチは、研究サイクルにおけるボトルネックを生み出すのに時間がかかりすぎる。 この課題は、ほぼすべての科学領域にまたがる。 材料科学にとって、数百万の出版物に分散した実験データは、材料特性の予測と新規材料の設計に極めて有用である。 しかし近年になって、主に無機材料に対する知識抽出のための計算手法が研究されている。 本研究は,有機材料の知識抽出を目的とした。 我々は,92,667の要約から,855の注釈文と708,376の注釈文からなる研究データセットを構築した。 BiLSTM-CNN-CRF深層学習モデルを用いて,文献から重要な知識を自動的に抽出した。 初期段階の結果は、自動知識抽出の可能性が高い。 本稿では,他の科学的領域に適用可能な知識抽出の枠組みと知見について述べる。

関連論文リスト

• From Text to Insight: Large Language Models for Materials Science Data Extraction [4.08853418443192]
  科学知識の大部分は、構造化されていない自然言語に存在する。 構造化データは革新的で体系的な材料設計に不可欠である。 大きな言語モデル(LLM)の出現は、大きな変化を示している。
  論文  参考訳（メタデータ） (2024-07-23T22:23:47Z)
• SciRIFF: A Resource to Enhance Language Model Instruction-Following over Scientific Literature [80.49349719239584]
  SciRIFF(Scientific Resource for Instruction-Following and Finetuning, SciRIFF)は、54のタスクに対して137Kの命令追従デモのデータセットである。 SciRIFFは、幅広い科学分野の研究文献から情報を抽出し、合成することに焦点を当てた最初のデータセットである。
  論文  参考訳（メタデータ） (2024-06-10T21:22:08Z)
• Construction and Application of Materials Knowledge Graph in Multidisciplinary Materials Science via Large Language Model [16.030268397865264]
  本稿では,高度な自然言語処理技術を活用したマテリアル知識グラフ(MKG)を紹介する。 MKGは、情報を名前、フォーミュラ、アプリケーションなどの包括的なラベルに分類する。 ネットワークベースのアルゴリズムを実装することで、MKGは効率的なリンク予測を容易にするだけでなく、従来の実験手法への依存を著しく低減する。
  論文  参考訳（メタデータ） (2024-04-03T21:46:14Z)
• MatKB: Semantic Search for Polycrystalline Materials Synthesis Procedures [2.578242050187029]
  私たちのゴールは、多結晶材料分野の何百万もの研究論文から構造化された知識を自動的にマイニングすることです。 提案手法は,エンティティ認識や文書分類などのNLP技術を利用して関連情報を抽出する。 得られた知識ベースは検索エンジンに統合され、ユーザーはGoogleのような従来の検索エンジンよりも精度の高い特定の材料、プロパティ、実験に関する情報を検索できる。
  論文  参考訳（メタデータ） (2023-02-11T04:18:07Z)
• Interdisciplinary Discovery of Nanomaterials Based on Convolutional Neural Networks [6.350788459498522]
  我々はCNNを用いて、エネルギー関連出版物におけるナノマテリアルおよび合成法に関する貴重な実験に基づく情報を発見する。 最初のシステムであるTextMasterは、テキストから意見を抽出し、それらを課題と機会に分類し、それぞれ94%と92%の精度で達成する。 第2のシステムであるGraphMasterは、98.3%の分類精度と4.3%のデータ抽出平均平方誤差を持つ出版物から表や数字を抽出する。
  論文  参考訳（メタデータ） (2022-12-06T07:51:51Z)
• Artificial Intelligence in Concrete Materials: A Scientometric View [77.34726150561087]
  本章は, コンクリート材料用AI研究の主目的と知識構造を明らかにすることを目的としている。 まず、1990年から2020年にかけて発行された389の雑誌記事が、ウェブ・オブ・サイエンスから検索された。 キーワード共起分析やドキュメント共起分析などのサイエントメトリックツールを用いて,研究分野の特徴と特徴を定量化した。
  論文  参考訳（メタデータ） (2022-09-17T18:24:56Z)
• Embedding Knowledge for Document Summarization: A Survey [66.76415502727802]
  従来の研究は、知識を組み込んだ文書要約器が優れた消化器を生成するのに優れていたことを証明した。 本稿では,文書要約ビューに基づいて,知識と知識の埋め込みを再カプセル化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-24T04:36:07Z)
• CitationIE: Leveraging the Citation Graph for Scientific Information Extraction [89.33938657493765]
  引用論文と引用論文の参照リンクの引用グラフを使用する。 最先端技術に対するエンド・ツー・エンドの情報抽出の大幅な改善を観察する。
  論文  参考訳（メタデータ） (2021-06-03T03:00:12Z)
• Generating Knowledge Graphs by Employing Natural Language Processing and Machine Learning Techniques within the Scholarly Domain [1.9004296236396943]
  本稿では、自然言語処理と機械学習を利用して研究論文から実体や関係を抽出する新しいアーキテクチャを提案する。 本研究では,現在最先端の自然言語処理ツールとテキストマイニングツールを用いて,知識抽出の課題に取り組む。 セマンティックWebドメイン内の論文26,827件から抽出した109,105件のトリプルを含む科学知識グラフを作成した。
  論文  参考訳（メタデータ） (2020-10-28T08:31:40Z)
• Extracting a Knowledge Base of Mechanisms from COVID-19 Papers [50.17242035034729]
  我々はメカニズムの知識ベース(KB)の構築を追求する。 我々は、妥当性と幅のバランスをとる広範で統一されたスキーマを開発する。 実験は、新型コロナウイルスの文献に関する学際的な科学的検索を支援するためのKBの有用性を実証する。
  論文  参考訳（メタデータ） (2020-10-08T07:54:14Z)
• COVID-19 Literature Knowledge Graph Construction and Drug Repurposing Report Generation [79.33545724934714]
  我々は,学術文献から微細なマルチメディア知識要素を抽出する,新しい包括的知識発見フレームワークであるCOVID-KGを開発した。 我々のフレームワークはまた、証拠として詳細な文脈文、サブフィギュア、知識のサブグラフも提供します。
  論文  参考訳（メタデータ） (2020-07-01T16:03:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。