用于化学数据提取的大型语言模型

全文速览

本文是一篇关于利用大型语言模型(LLMs)进行化学数据提取的综述文章,发表于《Chemical Society Reviews》。文章详细介绍了LLMs在化学数据提取中的应用,包括从非结构化文本中提取结构化数据的全流程,从数据收集到结构化输出。文章还探讨了多模态方法、代理系统(agentic systems)等先进技术,以及质量保证和未来发展方向。通过结合LLMs和化学专业知识,文章为研究人员提供了一个利用LLMs进行数据驱动的化学研究的基础框架。

背景介绍

化学和材料科学领域积累了大量的知识,但这些知识大多以非结构化的自然语言形式存在,而结构化数据对于创新和系统化的材料设计至关重要。传统上,数据提取依赖于人工整理和部分自动化方法,但这些方法在多样化的化学和材料研究中面临挑战。随着LLMs的出现,这一领域发生了重大变化,LLMs能够解决未明确训练的任务,为数据提取提供了一个强大且可扩展的替代方案。然而,将LLMs应用于化学和材料科学数据提取时,也面临着独特的挑战,但化学专业知识和物理定律也为验证LLMs输出提供了机会。

图文解析

图1展示了1996年至2023年间材料科学和化学领域发表的研究论文数量与存储在数据存储库中的数据集数量的对比。上图显示了通过Web of Science Core Collection搜索得到的论文数量,而下面的两幅图则分别显示了在Zenodo和DataCite存储库中化学和材料科学领域的数据集数量。图中指出,尽管论文数量庞大,但结构化数据集的数量相对较少,这突出了从非结构化文本中提取数据的巨大潜力。这张图强调了结构化数据在化学和材料科学中的稀缺性,以及利用LLMs从大量非结构化文本中提取有用信息的重要性。

图2展示了LLM的工作原理,以解码器模型(如GPT或Llama)为例。用户查询首先被分词器转换为更小的组成部分——标记(tokens)。这些标记被输入到模型中,模型计算输入嵌入(embeddings),然后通过一系列操作转换这些嵌入。最终,模型输出后续标记的概率分布。根据温度参数,选择最可能的标记或不太可能的标记,并将其添加到输入中。通过重复这一过程,模型生成对查询的响应。这张图帮助读者理解LLM如何通过生成标记来完成文本,并解释了温度参数如何影响输出的确定性。

图3描述了从左到右的数据提取流程,包括数据收集、预处理、与LLM的交互以及后处理等阶段。图中强调了评估循环,指出如果评估结果不满意,可能需要在任何阶段进行修正和改进。重要的是,评估应使用代表性且标记好的测试集,而不是整个非结构化数据语料库。只有在评估结果令人满意时,才处理整个非结构化数据语料库。这张图提供了一个清晰的数据提取工作流程框架,强调了迭代优化和评估的重要性。

图4展示了从挖掘的文章到机器可读和清理格式的处理过程。对于那些无法使用常规视觉文档理解(VDU)工具提取相关信息的文章,视觉语言模型(VLM)可能是一个合适的选择。这张图说明了在将数据输入LLM之前,如何通过预处理步骤去除无关信息并保留关键内容,从而提高数据提取的效率和准确性。

图5提供了一个决策树,帮助决定在处理文本时使用哪种分块策略。如果输入文本较短,则无需分块。如果信息分散在非常大的语料库中,检索增强型生成(RAG)可以提供成本和效率优势。在这种情况下,可以使用语义分块,如果它能提供适合上下文窗口的分块。最简单的选择是使用固定窗口大小进行分块。这张图指导研究人员根据数据的长度和信息分布情况选择合适的分块策略,以优化LLM的使用。

图6展示了如何决定使用哪种学习范式。通常,首先测试领先的LLM,使用零样本或少样本提示。如果结果足够好,可以继续使用这种方法;如果不是,可能需要进行微调。但微调需要额外的标记数据和计算资源。如果这些资源不足,且简单方法不起作用,预训练也不是解决方案,因为它通常需要更多的数据(即使是未标记的)和计算资源。这张图帮助研究人员根据具体任务和资源情况选择合适的学习范式,以实现最佳的数据提取效果。

图7展示了使用视觉语言模型(VLM)进行数据提取的工作流程。论文(例如PDF格式)可以转换为图像,然后使用图像编码器进行处理。提示(包含指令)仍然以文本形式提供,而VLM的输出则是结构化数据,以文本形式呈现。这张图说明了VLM如何处理包含图像和其他模态的复杂结构,为处理包含图表、反应式等的科学文献提供了有效的方法。

图8描述了一个代理用于数据提取任务的一般工作流程。从文章中提取的非结构化数据(包括文本、图像、方程式等)被输入到代理中。代理利用其推理能力,决定使用哪些可用工具来提取每种数据类型。当所有数据都被提取后,代理将它们作为结构化数据提供。这张图展示了代理如何通过动态构建工作流,自动选择和使用工具来提取数据,提高了数据提取的灵活性和准确性。

图9比较了常规解码和约束解码在生成数字时的不同。在常规解码中,所有标记都有非零概率被采样,因此可能会生成非数字的输出。而在约束解码中,可以动态调整采样标记的集合,以确保只生成有效的输出。例如,在第一步中,只允许两个整数标记被采样。在下一步中,也允许“.”,因为它可能导致一个有效的数字。然而,一旦“.”被采样,它就不再被允许,因为一个数字只能包含一个小数点。这张图展示了如何通过约束解码技术提高LLM输出的准确性和相关性,特别是在生成结构化数据时。

图10展示了评估工作流程,左侧是提取的结构化数据,右侧是手动标记的真实数据。图中用颜色表示两边的匹配情况。检查标记表示正确的键,叉号表示错误的键,而圆圈则表示提取数据和真实数据中的键。注意,左侧有一个未匹配的蓝色集合,右侧有一个黄色集合,这会影响精确度和召回率的计算。此外,对于数值数据,如果单位报告方式与真实数据中的存储方式不同,则需要进行归一化处理。某些字段(如模拟参数)可以使用科学分析工具进行验证,以确保它们符合所有领域规则。这张图说明了如何通过匹配提取数据和真实数据来评估数据提取的性能,并强调了数据归一化和领域规则验证的重要性。
总结展望
本文全面介绍了LLMs在化学数据提取中的应用,强调了其在处理非结构化文本数据方面的潜力和优势。文章不仅提供了从数据收集到结构化输出的全流程框架,还探讨了多模态方法、代理系统等先进技术,以及质量保证和未来发展方向。通过结合LLMs和化学专业知识,研究人员可以更高效地从大量非结构化文本中提取有用信息,加速新型化合物和材料的开发,满足社会的关键需求。未来的研究方向包括改进多模态模型、跨文档链接、解决科学文献偏差问题、从论文之外的数据源提取信息、构建从查询到模型的系统,以及开发更全面的基准测试和开放性问题。

如何学习大模型 AI ?

由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。

但是具体到个人,只能说是:

“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。

这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段(10天):初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么?
  • 大模型是怎样获得「智能」的?
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例:向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范

第二阶段(30天):高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示(Embeddings)
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署

第三阶段(30天):模型训练

恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。

到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2:手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建

第四阶段(20天):商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身:基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例:如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案

学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。

如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费

在这里插入图片描述

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值