プロンプトエンジニアリングは,LLMベースのモデルアンサンブル戦略を通じて,光触媒のデータ主導の発見を加速します

科学分野:

• 材料科学 材料科学とは
• 人工知能 (AI) とは,人工知能 (AI) のことです.
• 化学工学は化学工学というものです.

背景:

• 科学文献には,物質発見に不可欠な膨大な構造化されていないデータが含まれています.
• テキストから合成データとプロパティデータを抽出することは,大きなボトルネックです.
• この情報を解き放つには,自動化された方法が必要です.

研究 の 目的:

• 材料発見のための自動知識抽出と機械学習を統合した閉ループのフレームワークを開発する.
• 欠陥エンジニアリングによる炭酸ガスの光触媒のデータを体系的に抽出・分析する.
• データ主導の洞察を通じて,機能的な材料の開発を加速する.

主な方法:

• プロンプトで設計された大型言語モデルとモデルアンサンブル戦略を用いた新しいデータ抽出パイプライン.
• 二酸化炭素光触媒のための高精度データセットの構築.
• 解釈可能な機械学習 (SHapley Additive Explanations) を適用して,主要なパフォーマンスパラメータと関係を特定します.
• データに基づく予測の実験的検証.

主要な成果:

• データ抽出システムは90%の精度を達成し,主要なパラメータをリコールしました.
• 特定の表面積とバンドギャップは,炭酸ガスの光触媒の支配的な性能パラメータとして特定されました.
• バンドギャップの非単調な関係が明らかにされ,最適な範囲 (2.2-2.4 eV) が明らかになりました.
• 実験的な水素進化率は,モデルの予測から5%未満の偏差を示した.

結論:

• 開発されたフレームワークは,断片化された文献を有効なインテリジェンスに効果的に変換します.
• このアプローチは,機能的な材料の発見と開発を加速します.
• スケーラブルで移転可能なパラダイムは,材料科学の研究のための強力な戦略を提供します.