化学元素的语义嵌入：用于增强材料推断与发现
计算与语言
2026-04-30 v2 材料科学
机器学习
摘要
我们提出了一个用于生成化学元素通用语义嵌入的框架，以推进材料推断与发现。该框架利用 ElementBERT——一个基于 BERT 的领域特定自然语言处理模型，在 129 万篇合金相关科学论文摘要上训练，以捕获特定于合金的潜在知识和语境关系。这些语义嵌入作为稳健的元素描述符，在多个下游任务中 consistently 优于传统经验描述符，取得显著提升。包括预测力学和相变性质、分类相位结构以及通过贝叶斯优化材料性质的优化。针对钛合金、高熵合金和形状记忆合金的应用显示，预测准确率提升最高可达 23%。我们的结果表明，ElementBERT 在编码专门的合金知识方面优于通用 BERT 变体。通过将科学文献中的语境见解与定量推断相连接，我们的框架加速了先进材料的发现与优化，潜在应用可扩展到其他材料类别。
关键词
引用
@article{arxiv.2502.14912,
title = {Semantic Embeddings of Chemical Elements for Enhanced Materials Inference and Discovery},
author = {Yunze Jia and Yuehui Xian and Yangyang Xu and Pengfei Dang and Xiangdong Ding and Jun Sun and Yumei Zhou and Dezhen Xue},
journal= {arXiv preprint arXiv:2502.14912},
year = {2026}
}
备注
v2: Updated to the published version in Materials Genome Engineering Advances (2026)