面向材料知识挖掘的预训练语言模型与对比学习信息融合策略
材料科学
2025-06-17 v1 机器学习
摘要
机器学习已彻底改变材料设计，但由于加工条件和微观结构特征的影响，通过传统的还原论方法难以量化这些特征，因此预测合金延展性等复杂性质仍然具有挑战性。在此，我们提出了一种创新的信息融合架构，将材料科学文献中的领域特定文本与定量物理描述符相结合，以克服这些限制。我们的框架采用MatSciBERT进行高级文本理解，并结合对比学习自动提取关于加工参数和微观结构特征的隐含知识。通过严格的消融研究和对比实验，该模型表现出优越的性能，在钛合金验证集上取得决定系数（R2）值为0.849，在耐火多主元合金测试集上取得决定系数（R2）值为0.680。这种系统的方法为定量描述符不完整的复杂材料系统提供了全面的性质预测框架，并为知识引导的材料设计和信息驱动的材料发现奠定了基础。
引用
@article{arxiv.2506.12516,
title = {Information fusion strategy integrating pre-trained language model and contrastive learning for materials knowledge mining},
author = {Yongqian Peng and Zhouran Zhang and Longhui Zhang and Fengyuan Zhao and Yahao Li and Yicong Ye and Shuxin Bai},
journal= {arXiv preprint arXiv:2506.12516},
year = {2025}
}