Agentic模式引导从科学文献中提取材料工艺知识

材料文献包含详细的实验知识，但程序、化学实体和测量结果仍然难以汇总，因为它们以异质形式报告，并且取决于特定过程的背景。我们提出了 SciKGExtract，这是一个模式引导的框架，它将大语言模型提取与化学标准化以及知识图集成之前基于智能体的评估和细化相结合。我们评估了 176 篇描述氧化锌 (ZnO) 和氧化铟镓锌 (IGZO) 的原子层沉积论文的框架，以及专家注释的完整模式子集。 PubChem 标准化改进了每个测试模型的精确匹配提取 F1。对于ZnO，最佳F1从直接归一化萃取的0.591增加到Agentic精修后的0.805，而最佳IGZO结果为0.344，揭示了多组分超级循环过程的更大难度。针对包含 65 个实验属性和 155 个定量测量节点的深度嵌套模式的评估进一步暴露了过程分段和数值分配中的错误。这些结果表明，化学规范化和目标Agentic验证为将复杂材料文献转化为可重复使用、机器可操作的实验知识提供了补充控制。