Застосування LLM для пошуку та систематизації властивостей термоелектричних матеріалів із наукової літератури
DOI:
https://doi.org/10.63527/1607-8829-2025-1-16-25Ключові слова:
термоелектричне матеріалознавство, методи машинного навчання, штучний інтелект, великі мовні моделіАнотація
Термоелектричні матеріали знаходять застосування у різноманітних сферах завдяки можливості прямого перетворення тепла в електроенергію. Вибір оптимального термоелектричного матеріалу є складним завданням, яке обмежується емпіричними, часовими та економічними факторами. Останні досягнення в галузі штучного інтелекту (ШІ), зокрема великі мовні моделі (LLMs), демонструють значний потенціал для автоматичного збору та систематизації інформації з наукової літератури про властивості термоелектричних матеріалів. Цей огляд аналізує еволюцію методів на основі машинного навчання, від ранніх некерованих NLP-моделей, таких як Word2Vec, до сучасних підходів з використанням GPT-моделей. Результати досліджень показують, що LLM дозволяють ефективно ідентифікувати нові перспективні термоелектричні матеріали, автоматизувати процеси збирання експериментальних даних і формувати структуровані бази, що значно прискорює пошук матеріалів з високими показниками ефективності. У роботі окреслені також напрямки для подальших досліджень, такі як розширення методів на табличні та графічні дані, багатомовні моделі, а також оптимізація обчислювальних ресурсів.
Посилання
1. Anatychuk L. I., Prybyla A. V. (2017). Limiting possibilities of thermoelectric liquid-liquid heat pumps. J.Thermoelectricity, 4, 51-55.
2. Rifert V., Anatychuk L., Barabash P., Solomakha A., Usenko V., Prybyla A., Sereda V. (2019). Comparative analysis of thermal distillation methods with heat pumps for long space flights. J.Thermoelectricity, 4, 5–17. Retrieved from http://jte.ite.cv.ua/index.php/jt/article/view/70
3. Anatychuk L., Lysko V., Prybyla A. (2022). Rational areas of using thermoelectric heat recuperators. J.Thermoelectricity, 3-4, 43–67. https://doi.org/10.63527/1607-8829-2022-3-4-43-67
4. Anatychuk L., Prybyla A., Korop M., Kiziuk Y., & Konstantynovych I. (2024). Thermoelectric power sources using low-grade heat: Part 1. J. Thermoelectricity, 1-2, 90–96. https://doi.org/10.63527/1607-8829-2024-1-2-90-96
5. Anatychuk L. (2020). Efficiency criterion of thermoelectric energy converters using waste heat. J.Thermoelectricity, 4, 58–63. Retrieved from http://jte.ite.cv.ua/index.php/jt/article/view/47
6. Anatychuk L.I., Lysko V.V., Havryliuk M.V. (2018). Ways for quality improvement in the measurement of thermoelectric material properties by the absolute method. J.Thermoelectricity, 2, 90 – 100.
7. Anatychuk L.I., Lysko V.V., Havryliuk M.V., Tiumentsev V.A. (2018). Automation and computerization of measurements of thermoelectric parameters of materials. J. Thermoelectricity, 3, 80 – 88.
8. Anatychuk L.I., Lysko V.V. (2012). Investigation of the effect of radiation on the precision of thermal conductivity measurement by the absolute method. J.Thermoelectricity, 1, 65–73.
9. Anatychuk L.I., Lysko V.V. Modified Harman's method. (2012) AIP Conference Proceedings, 1449, 373 – 376. DOI: 10.1063/1.4731574.
10. Korop M. M. (2023). Machine learning in thermoelectric materials science. In: J. Thermoelectricity, 1, 44–54. Institute of Thermoelectricity. https://doi.org/10.63527/1607-8829-2023-1-44-54
11. Anatychuk L. I., Korop M. M. (2023). Application of machine learning to predict the properties of Bi2Te3 -based thermoelectric materials. In: J.Thermoelectricity, 2, 59–71. Institute of Thermoelectricity. https://doi.org/10.63527/1607-8829-2023-2-59-71
12. Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A. N., Kaiser L., Polosukhin, I. (2017). Attention Is All You Need (Version 7). arXiv. https://doi.org/10.48550/ARXIV.1706.03762
13. Tshitoyan V., Dagdelen J., Weston L., Dunn A., Rong Z., Kononova O., Persson K. A., Ceder G., & Jain A. (2019). Unsupervised word embeddings capture latent knowledge from materials science literature. In Nature, 571(7763), 95–98 . Springer Science and Business Media LLC. https://doi.org/10.1038/s41586-019-1335-8
14. Sierepeklis O., Cole J. M. (2022). A thermoelectric materials database auto-generated from the scientific literature using ChemDataExtractor. In Scientific Data (Vol. 9, Issue 1). Springer Science and Business Media LLC. https://doi.org/10.1038/s41597-022-01752-1
15. Jia X., Yao H., Yang Z., Shi J., Yu J., Shi R., Zhang H., Cao F., Lin X., Mao J., Wang C., Zhang Q., & Liu X. (2023). Advancing thermoelectric materials discovery through semi-supervised learning and high-throughput calculations. In Applied Physics Letters, 23, 20. AIP Publishing. https://doi.org/10.1063/5.0175233
16. Thway M., Low A. K. Y., Khetan S., Dai H., Recatala-Gomez J., Chen A. P., Hippalgaonkar K. (2024). Harnessing GPT-3.5 for text parsing in solid-state synthesis – case study of ternary chalcogenides. In Digital Discovery,. 3(2), 328–336). Royal Society of Chemistry (RSC). https://doi.org/10.1039/d3dd00202k
17. Polak M. P., Morgan D. (2024). Extracting accurate materials data from research papers with conversational language models and prompt engineering. In Nature Communications.. 15(1), Springer Science and Business Media LLC. https://doi.org/10.1038/s41467-024-45914-8
18. Dagdelen J., Dunn A., Lee S., Walker N., Rosen A. S., Ceder G., Persson K. A., Jain A. (2024). Structured information extraction from scientific text with large language models. In Nature Communications, 15(1). Springer Science and Business Media LLC. https://doi.org/10.1038/s41467-024-45563-x
19. Itani S., Zhang Y., & Zang J. (2025). Large Language Model-Driven Database for Thermoelectric Materials (Version 1). arXiv. https://doi.org/10.48550/ARXIV.2501.00564
