論文の概要: Automated Materials Data and Knowledge Extraction using Machine Learning and Large Language Models

• arxiv url: http://arxiv.org/abs/2610.29895v1
• Date: Wed, 21 Oct 2026 15:38:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 09:50:43.259886
• Title: Automated Materials Data and Knowledge Extraction using Machine Learning and Large Language Models
• Title（参考訳）: 機械学習と大規模言語モデルを用いた教材データの自動抽出と知識抽出
• Abstract要約: 過去10年間で、科学文献から直接材料知識を抽出する機械学習(ML)手法の開発に多大な努力が注がれている。 本稿では,これらの手法を自然言語処理(NLP)モデルとトランスフォーマーベースのエンコーダを用いて,大規模言語モデル(LLM)とエージェントシステムに拡張し,複数のモーダルをまたいだ材料情報を抽出する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Over the past decade, substantial efforts have been devoted to developing machine learning (ML) methods for extracting materials data and, where possible, materials knowledge directly from the scientific literature. This review traces the evolution of these methods from heuristic, rule-based pipelines through natural language processing (NLP) models and transformer-based encoders to, lastly, large language models (LLMs) and agentic systems capable of extracting materials information across multiple modalities, including text, tables, and figures. Beside construction of large, queryable materials databases and knowledge graphs that support downstream materials discovery, we discuss how these advances have enabled new capabilities, such as, generic question answering across materials science, AI co-scientists and chatbots for research assistance, and closed-loop optimization and discovery when integrated with autonomous laboratories. We critically assess the datasets generated using these approaches, their extraction accuracy and computational costs, and the respective strengths and limitations of different methodologies, and even provide practical guidelines for developing more reliable and scalable materials data extraction pipelines. Finally, we identify key open challenges, including the extraction of full materials structure-property-processing-performance tetrahedron at the sample level, the scarcity of reliable benchmark datasets for systematic evaluation, and the resolution of non-standard materials terminology across different document modalities.
• Abstract（参考訳）: 過去10年間で、材料データを抽出し、可能であれば科学文献から直接材料知識を抽出する機械学習(ML)手法の開発に多大な努力が注がれている。 このレビューでは、これらの手法の進化を、自然言語処理(NLP)モデルやトランスフォーマーベースのエンコーダから、最後に、大規模言語モデル(LLM)やエージェントシステムまで、テキスト、テーブル、フィギュアを含む複数のモードで材料情報を抽出することのできる、ヒューリスティックなルールベースのパイプラインに遡る。 下流の材料発見をサポートする大規模でクエリ可能な材料データベースと知識グラフの構築に加えて、これらの進歩によって、材料科学全体にわたる汎用的な質問応答、研究支援のためのAI共同科学者とチャットボット、自律的な研究室と統合されたクローズドループ最適化と発見など、新たな機能を実現する方法について論じる。 これらの手法を用いて生成されたデータセット、抽出精度と計算コスト、各種方法論の強さと限界を批判的に評価し、信頼性が高くスケーラブルなデータ抽出パイプラインを開発するための実践的ガイドラインを提供する。 最後に、サンプルレベルでのフルマテリアル構造プロパタイピング性能のテトラヘドロンの抽出、系統評価のための信頼性の高いベンチマークデータセットの不足、および異なる文書モダリティの非標準材料用語の解決など、主要なオープン課題を特定する。

関連論文リスト

• OmniMatBench: A Human-Calibrated Multimodal Reasoning Benchmark Across 19 Materials Science Subfields [61.92908843275242]
  材料科学のためのマルチモーダル推論ベンチマークであるOmniMatBenchを紹介する。 我々は13のオープンソースおよびクローズドソースMLLMを評価し、最良のモデルが0.372の総合スコアを達成することを発見した。
  論文  参考訳（メタデータ） (2026-05-28T12:12:27Z)
• Perspective: Towards sustainable exploration of chemical spaces with machine learning [49.29528647472741]
  持続可能な進歩は、オープンデータとモデル、再利用可能なデータセット、ドメイン固有のAIシステムに依存します。 我々は、汎用機械学習(ML)モデル、多要素アプローチ、モデルの蒸留、アクティブラーニングなど、効率を高めるための新たな戦略を強調した。
  論文  参考訳（メタデータ） (2026-03-31T13:29:20Z)
• Towards Agentic Intelligence for Materials Science [73.4576385477731]
  この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。 コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
  論文  参考訳（メタデータ） (2026-01-29T23:48:43Z)
• LeMat-Synth: a multi-modal toolbox to curate broad synthesis procedure databases from scientific literature [60.879220305044726]
  本稿では,大規模言語モデル (LLM) と視覚言語モデル (VLM) を用いて合成手順と性能データを自動抽出・整理するマルチモーダルツールボックスを提案する。 LeMat-Synth (v 1.0):35種類の合成法と16種類の材料クラスにまたがる合成手順を含むデータセット。 我々は,新しいコーパスと合成ドメインへのコミュニティ主導の拡張をサポートするために設計された,モジュール形式のオープンソースライブラリをリリースする。
  論文  参考訳（メタデータ） (2025-10-28T17:58:18Z)
• Materials Generation in the Era of Artificial Intelligence: A Comprehensive Survey [54.40267149907223]
  材料は現代社会の基礎であり、エネルギー、エレクトロニクス、医療、交通、インフラの進歩を支えている。 高度に調整された特性を持つ新しい材料を発見・設計する能力は、世界的課題の解決に不可欠である。 データ駆動生成モデルは、事前定義された特性要件を満たす新しい材料を直接作成することによって、材料設計のための強力なツールを提供する。
  論文  参考訳（メタデータ） (2025-05-22T08:33:21Z)
• 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)
• Agent-based Learning of Materials Datasets from Scientific Literature [0.0]
  我々は,大規模言語モデル(LLM)を利用した化学AIエージェントを開発し,自然言語テキストから構造化データセットを作成する。 化学者のAIエージェントであるEunomiaは、何十年もの科学研究論文から既存の知識を活用して、行動を計画し実行することができる。
  論文  参考訳（メタデータ） (2023-12-18T20:29:58Z)
• Large Language Models as Master Key: Unlocking the Secrets of Materials Science with GPT [9.33544942080883]
  本稿では,物質科学におけるデバイスレベルでの情報抽出の複雑さに対処するため,構造化情報推論(SII)と呼ばれる自然言語処理(NLP)タスクを提案する。 我々は、既存のペロブスカイト型太陽電池FAIRデータセットに91.8%のF1スコアでGPT-3をチューニングし、リリース以来のデータでデータセットを拡張した。 また、太陽電池の電気性能を予測する実験を設計し、大規模言語モデル(LLM)を用いてターゲットパラメータを持つ材料や装置の設計を行った。
  論文  参考訳（メタデータ） (2023-04-05T04:01:52Z)

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。