DOI: https://doi.org/10.1039/d5dd00499c
تاريخ النشر: 2026-01-01
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: تعلم الآلة في علوم المواد
نظرة عامة
تتناول المراجعة التأثير التحويلي لنماذج اللغة الكبيرة (LLMs) على علم المواد، مع التركيز على تطبيقاتها في ثلاثة مجالات رئيسية: استخراج الأدبيات العلمية، النمذجة التنبؤية، وأنظمة التجارب متعددة الوكلاء. تظهر نماذج LLMs أنها فعالة في استخراج شروط التركيب من النصوص، وتعلم علاقات الهيكل-الخاصية، وتنسيق سير العمل البحثي المعقد من خلال أنظمة وكيلية تدمج الأدوات الحاسوبية وأتمتة المختبر. تشير النتائج إلى أنه بينما هيمنت النماذج التجارية المغلقة المصدر على هذا المجال، يمكن أن تحقق البدائل مفتوحة المصدر أداءً قابلاً للمقارنة، مما يوفر مزايا في الشفافية، وإمكانية التكرار، والجدوى الاقتصادية، وخصوصية البيانات. يدعو المؤلفون إلى اعتماد أوسع لنماذج مفتوحة المصدر لتعزيز منصات الذكاء الاصطناعي القابلة للوصول والموجهة من المجتمع لاكتشاف العلوم.
في الختام، يشير دمج نماذج LLMs إلى تحول نحو أنظمة بحث موحدة مدفوعة بالذكاء الاصطناعي قادرة على تفسير النصوص الكيميائية المعقدة وتنسيق سير العمل البحثي. على الرغم من النتائج الواعدة، لا تزال هناك تحديات في تقييم موثوقية الأنظمة ذاتية الحكم العالية، لا سيما في تقييم أدائها خارج مهام الاستدلال الأساسية. تركز المعايير الحالية بشكل أساسي على الصحة الإجرائية، متجاهلة المرونة الشاملة للاستدلال تحت عدم اليقين. يؤكد المؤلفون على ضرورة تطوير أطر تقييم جديدة لفهم أفضل لكفاءات نماذج LLMs كـ “باحثين”، مما سيسهل أيضًا التخصيص الدقيق في مجالات معينة ويعزز موثوقية الأنظمة الذاتية في التطبيقات العلمية الواقعية.
مقدمة
تسلط المقدمة الضوء على التطور السريع لنماذج اللغة الكبيرة (LLMs) وقدراتها الملحوظة في معالجة وتوليد نصوص معقدة عبر مجالات متنوعة، بما في ذلك البحث العلمي. تُعتبر نماذج LLMs، التي تم تدريبها على مجموعات بيانات واسعة ومتنوعة، أدوات قوية بشكل متزايد لتقدم علم المواد، لا سيما في اكتشاف المواد المتقدمة مثل الهياكل العضوية المعدنية (MOFs)، والتي تعتبر حاسمة للابتكارات في تخزين الطاقة، والتحفيز، والفصل الكيميائي. تعتبر الطرق التقليدية التي تتطلب جهدًا كبيرًا في البحث عن المواد غير فعالة، مما يستلزم استخراج البيانات غير المنظمة بشكل منهجي لتعزيز جمع البيانات وتحليلها.
على عكس التقنيات التقليدية التي تعتمد على هياكل صارمة قائمة على القواعد، تستفيد نماذج LLMs من معرفتها المدربة مسبقًا لفهم اللغة الدقيقة للكيمياء، مما يوفر مرونة أكبر في معالجة البيانات غير المنظمة. تتيح هذه القدرة لنماذج LLMs اكتشاف علاقات الهيكل-الخاصية التي تحكم أداء المواد، مما يوفر رؤى قيمة حول المبادئ الأساسية. علاوة على ذلك، تنتقل نماذج LLMs من مساعدات سلبية إلى مشاركين نشطين في سير العمل البحثي، قادرين على تخطيط إجراءات متعددة الخطوات والتفاعل مع الأدوات الحاسوبية. بينما كان استخدام النماذج المغلقة المصدر مثل سلسلة GPT من OpenAI شائعًا بسبب أدائها العالي، ظهرت مخاوف بشأن التكلفة، وخصوصية البيانات، وإمكانية التكرار. يمثل ظهور نماذج مفتوحة المصدر التنافسية، مثل Llama 3 من Meta، تقدمًا كبيرًا، مما يمهد الطريق لتطبيقات أوسع في كل من البحث والصناعة. تهدف هذه المراجعة إلى استكشاف تطبيقات نماذج LLMs في علم المواد، مع التركيز بشكل خاص على MOFs وقدرات النماذج مفتوحة المصدر الناشئة.
نقاش
يسلط النقاش الضوء على التقدم الكبير في دمج نماذج اللغة الكبيرة (LLMs) لاستخراج البيانات الذكية وتنظيمها في علم المواد. اعتمدت الطرق التقليدية لاكتشاف المواد بشكل كبير على التجربة والخطأ، مما أدى إلى معرفة مجزأة عبر مصادر متنوعة. استخدمت الجهود الأخيرة، مثل تلك التي قام بها غوش وآخرون ولي وآخرون، سير العمل المدفوع بنماذج LLM لاستخراج الخصائص الحرارية الرئيسية وتفسير مخططات التفاعل من الأدبيات الواسعة، مما أدى إلى إنشاء مجموعات بيانات شاملة. من الجدير بالذكر أن أكبر مجموعة بيانات حرارية تم تنظيمها بواسطة LLM تضم 27,822 سجل خاصية تم تحديده حسب درجة الحرارة، مما يظهر إمكانيات نماذج LLMs في تحويل المعلومات المتناثرة إلى قواعد بيانات معرفية منظمة وقابلة للاستعلام. علاوة على ذلك، قدم تشاو وآخرون طريقة استخراج “مدركة للتسلسل” تلتقط سير العمل التجريبي كرسوم بيانية موجهة، محققة دقة عالية في استخراج الكيانات والعلاقات.
تم استكشاف القدرات التنبؤية لنماذج LLMs أيضًا، مع أنظمة مثل “L2M3” وتمثيل “Material String” التي تظهر القدرة على التنبؤ بشروط التركيب وخصائص المواد بدقة ملحوظة. تؤكد هذه التطورات على أهمية دمج تمثيلات هيكلية عالية الجودة في تدريب النماذج لتعزيز الأداء التنبؤي. توضح ظهور أنظمة متعددة الوكلاء، مثل SciAgents وChemAgents، تحولًا نحو أطر أكثر تعقيدًا يمكنها التنقل بشكل ذاتي في المهام البحثية، وتنقيح الفرضيات، وربط الباحثين بالأدوات الحاسوبية. ومع ذلك، فإن الاعتماد على النماذج المغلقة المصدر يطرح تحديات تتعلق بالتكلفة، والاستقرار، وخصوصية البيانات. يوفر التطور السريع لنماذج LLMs مفتوحة المصدر، التي تظهر أداءً قابلاً للمقارنة مع نظرائها المغلقة المصدر، طريقًا واعدًا لإنشاء أنظمة بحث مستدامة وذاتية. بشكل عام، تشير هذه التطورات إلى انتقال نحو أنظمة بحث موحدة مدفوعة بالذكاء الاصطناعي تسهل استكشاف المعرفة العلمية المعقدة مع التأكيد على الحاجة إلى أطر تقييم قوية لتقييم موثوقية هذه الأنظمة المتقدمة.
DOI: https://doi.org/10.1039/d5dd00499c
Publication Date: 2026-01-01
Author(s): Zhenyun Du et al.
Primary Topic: Machine Learning in Materials Science
Overview
The review discusses the transformative impact of large language models (LLMs) on materials science, emphasizing their applications in three main areas: mining scientific literature, predictive modeling, and multi-agent experimental systems. LLMs are shown to effectively extract synthesis conditions from texts, learn structure-property relationships, and coordinate complex research workflows through agentic systems that integrate computational tools and laboratory automation. The findings indicate that while closed-source commercial models have dominated the field, open-source alternatives can achieve comparable performance, offering advantages in transparency, reproducibility, cost-effectiveness, and data privacy. The authors advocate for the broader adoption of open-source models to foster accessible and community-driven AI platforms for scientific discovery.
In conclusion, the integration of LLMs signifies a shift towards unified AI-driven research ecosystems capable of interpreting complex chemistry texts and orchestrating research workflows. Despite the promising results, challenges remain in evaluating the reliability of highly autonomous systems, particularly in assessing their performance beyond basic reasoning tasks. Current benchmarks primarily focus on procedural correctness, neglecting the holistic resilience of reasoning under uncertainty. The authors stress the necessity of developing new evaluation frameworks to better understand the competencies of LLMs as “researchers,” which would also facilitate domain-specific fine-tuning and enhance the trustworthiness of autonomous systems in real-world scientific applications.
Introduction
The introduction highlights the rapid evolution of Large Language Models (LLMs) and their remarkable capabilities in processing and generating complex text across various domains, including scientific research. LLMs, trained on extensive and diverse datasets, are increasingly recognized as powerful tools for advancing materials science, particularly in the discovery of advanced materials like metal-organic frameworks (MOFs), which are crucial for innovations in energy storage, catalysis, and chemical separation. The traditional labor-intensive methods in materials research are inefficient, necessitating the systematic extraction of unstructured data to enhance data collection and analysis.
Unlike conventional techniques that rely on rigid, rule-based structures, LLMs leverage their pre-trained knowledge to understand the nuanced language of chemistry, thereby offering greater flexibility in processing unstructured data. This capability allows LLMs to uncover structure-property relationships that govern material performance, potentially providing valuable insights into fundamental principles. Furthermore, LLMs are transitioning from passive assistants to active participants in research workflows, capable of planning multi-step procedures and interfacing with computational tools. While the use of closed-source models like OpenAI’s GPT series has been prevalent due to their high performance, concerns regarding cost, data privacy, and reproducibility have emerged. The introduction of competitive open-source models, such as Meta’s Llama 3, marks a significant advancement, paving the way for broader applications in both research and industry. This review aims to explore the applications of LLMs in materials science, particularly focusing on MOFs and the capabilities of emerging open-source models.
Discussion
The discussion highlights significant advancements in the integration of large language models (LLMs) for intelligent data extraction and curation in materials science. Traditional methods of material discovery have relied heavily on trial and error, leading to fragmented knowledge across various sources. Recent efforts, such as those by Ghosh et al. and Li et al., have utilized LLM-driven workflows to extract key thermoelectric properties and interpret reaction schemes from extensive literature, resulting in the creation of comprehensive datasets. Notably, the largest LLM-curated thermoelectric dataset comprises 27,822 temperature-resolved property records, showcasing the potential of LLMs to transform scattered information into structured, queryable knowledge bases. Furthermore, Zhao et al. introduced a “sequence-aware” extraction method that captures experimental workflows as directed graphs, achieving high accuracy in entity and relation extraction.
The predictive capabilities of LLMs have also been explored, with systems like “L2M3” and the “Material String” representation demonstrating the ability to predict synthesis conditions and material properties with remarkable accuracy. These advancements underscore the importance of incorporating high-quality structural representations in model training to enhance predictive performance. The emergence of multi-agent systems, such as SciAgents and ChemAgents, illustrates a shift towards more sophisticated frameworks that can autonomously navigate research tasks, refine hypotheses, and connect researchers with computational tools. However, the reliance on closed-source models poses challenges related to cost, stability, and data privacy. The rapid development of open-source LLMs, which exhibit comparable performance to their closed-source counterparts, offers a promising avenue for creating sustainable and autonomous research systems. Overall, these developments signal a transition towards unified, AI-driven research ecosystems that facilitate the exploration of complex scientific knowledge while emphasizing the need for robust evaluation frameworks to assess the reliability of these advanced systems.