摘要

本文介绍了一种名为SciQu的工具，该工具通过自动化文献挖掘和机器学习技术，加速材料属性预测，特别是在自驱动实验室中的应用。SciQu通过从大量科学文献中提取关键信息，训练机器学习模型，从而精确预测材料的多种属性，如带隙、电阻率、杨氏模量、功函数和折射率等。此外，SciQu还能优化合成参数，实现材料形状、大小和相位的精确控制。

原理

SciQu的工作原理基于先进的文本处理技术和机器学习模型的结合。首先，SciQu从科学数据库中提取PDF文档的文本信息，并使用多种文本分割技术（如段落、标记和句子分割器）将文本分割成可管理的小块。接着，这些文本块通过多种嵌入技术（如Word2Vec、BERT和Sentence Transformers）转换为向量表示，这些向量捕捉了文本的语义关系和上下文细节。这些向量随后存储在向量数据库中，如Facebook AI Similarity Search (FAISS)，以便高效检索相关信息。用户查询通过多查询生成过程，并行执行多个查询，以提高信息检索的速度和效率。最后，检索到的信息用于训练机器学习模型，预测目标材料属性。

流程

SciQu的工作流程包括数据预处理、文本分割、嵌入创建、信息检索和算法预测等步骤。具体来说，SciQu首先访问与材料属性相关的科学文献，处理PDF文档以提取文本信息。然后，使用文本分割技术将提取的文本分割成小块，便于详细分析。接下来，这些文本块被转换为向量嵌入，并存储在向量数据库中。用户查询启动多查询生成过程，检索相关信息，并进行进一步的预处理，以准备数据用于算法分析。最后，使用选定的算法预测材料的目标属性。例如，SciQu成功预测了材料的折射率，使用从多个研究文章中提取的数据，输入描述符包括空间群、体积和带隙，实现了较低的均方根误差（RMSE）和较高的R²值。

应用

SciQu的应用前景广阔，特别是在材料科学和自驱动实验室领域。通过精确预测和优化材料属性，SciQu能够加速新材料的研究和开发，提高实验的准确性和可重复性。此外，SciQu还能与自驱动实验室无缝集成，通过预测参数指导实验设置，实现材料的精确合成。这种自动化和优化的过程不仅提高了研究效率，还为新技术的开发和应用提供了重要支持。