MatSKRAFT把6.6万张论文表格读成材料数据库:50.9万条记录,10.4万种成分不在INTERGLAD与SciGlass中
核心概要
材料实验数据大多锁在论文表格里,难以系统提取。MatSKRAFT把每张表转成图结构,用约束驱动的图神经网络抽取性质与成分,在专家标注测试集上性质抽取F1为89.33、成分抽取F1为71.35,均高于同期五个前沿大模型的最好成绩。它处理66,267张表、来自45,500余篇论文,建成含509,281条记录的数据库,其中104,000余种成分不在INTERGLAD与SciGlass中。
深度剖析
材料论文表格里的成分与性质现在可以整批转成可查询的数据库,而不必逐篇人工抄录。 此前表格抽取依赖正则表达式、小语言模型或通用大模型,分别受限于泛化性、人工标注成本和复杂表格结构下的准确率与算力开销。 在专家标注的测试集上,MatSKRAFT性质抽取F1为89.33、成分抽取F1为71.35;同期五个前沿大模型中表现最好的Claude-4.7-Opus分别为85.65和64.51。
抽取靠的是把每张表读成一张图,再让网络在科学表格的组织规则下判断哪个表头是材料标识、哪个是性质。 性质抽取用GNN-1,把单元格、行表头、列表头和表题作为节点,用MatSciBERT初始化文本节点,并以约束损失惩罚材料与性质错位、多个材料标识等不合逻辑的配置。 成分抽取按表格结构分流:单胞成分表由GNN-2处理,F1为78.62;多胞成分表由GNN-3处理,F1为75.99;需要从正文推断的部分信息表同样由GNN-3处理,F1为52.82。
速度让全领域扫描变得可行:单张表性质抽取0.22秒、成分抽取0.39秒。 同样规模的处理用最快的LLM基线GPT-5.4约需3天,用最慢的DeepSeek-R1约需8个月,并伴随数万美元量级的API费用。 在单块32 GB V100 GPU上,11个期刊的66,267张表在11.23小时内处理完毕。
启示与展望
演示范围是ScienceDirect的XML全文与表格,覆盖11个期刊的66,267张表,在单块32 GB V100上完成;数据库以原始、性质归一化和完全协调三个版本发布。
热膨胀系数(F1为68.60)和泊松比(73.14)等报告惯例不统一的性质仍是难点;成分抽取召回率为62.97,部分信息表仅38.93;知识库中相当一部分性质测量缺少对应成分,因为成分常写在正文而非表格里。
