通过卷积神经网络进行意见挖掘,以最大限度地提高纳米材料的可发现性
Tong Xie1,2, Yuwei Wan3,2, Haoran Wang1
1School of Photovoltaic and Renewable Energy Engineering, University of New South Wales, Kensington, NSW 2052, Australia.
Journal of chemical information and modeling
|November 20, 2023
概括
这项研究引入了科学情感网络 (SSNet) 来分析科学文献,通过跟踪专家意见和加速纳米材料研究来提取对材料的宝贵见解.
科学领域:
- 材料科学 材料科学 材料科学
- 计算语言学 计算语言学
- 科学知识 发现 发现
背景情况:
- 科学文献分析至关重要,但由于体积和复杂性,具有挑战性.
- 现有的自然语言处理 (NLP) 方法提供有限的可追溯性或浅层洞察力.
- 需要可靠的自动化系统来从科学文本中提取细微的信息.
研究的目的:
- 开发一种创新的方法,使用情绪分析来追踪科学文献中材料的意见.
- 创建一个深度学习模型,科学情感网络 (SSNet),用于知识提取和意见分类.
- 通过整合情感特征来增强材料性能和应用的预测.
主要方法:
- 将材料知识集成到文本表示中.
- 构建的意见数据集用于深度学习模型的层次训练.
- 开发并应用了科学情感网络 (SSNet) 模型.
主要成果:
- SSNet准确地将专家意见分为挑战 (94%准确率) 和机会 (92%准确率).
- 来自SSNet的情绪特征与预测热电材料排名的实验结果 (70%的相关性) 相对相关.
- 该模型在预测随着时间的推移适合原子层沉积 (ALD) 的纳米材料方面达到68%的准确性.
结论:
- SSNet提供了一个从科学文献中提取和合成知识的实用框架.
- 这种方法有效地利用情绪信息来获得对材料科学的可靠见解.
- 这种方法有可能加速纳米材料的研发.
