原子层沉积研究 + 知识图谱 + 大语言模型（LLM）——图片由作者利用 ChatGPT 生成。
原子层沉积（Atomic Layer Deposition, ALD）[1] 是一种用于以极薄层逐原子层涂覆材料的技术。该工艺能够对涂层的厚度和组成进行非常精确的控制，非常适合电子学和纳米技术等需要高精度的应用。本质上，这就像用原子“作画”，通过逐步堆叠层来实现所需的涂层效果。
在 ALD 中，“工艺材料”和“工艺反应物”是关键元素。工艺材料是沉积原子层的基底，其化学组成、表面结构和温度显著影响薄膜的附着性和质量。而工艺反应物则是用于构建这些层的化学物质。ALD 涉及基底与这些反应物的顺序接触，每次反应都以自限制的方式与表面作用，从而实现每个循环沉积一层原子。这种精确的相互作用决定了薄膜的最终组成。例如，创建氧化铝（Al₂O₃）薄膜可能需要使用三甲基铝和水作为反应物。这种细致的控制对于电子学、光学和其他领域的应用至关重要，能够确保薄膜厚度和组成的均匀性和精确性。
基于此，本文介绍并讨论了一种在知识图谱（Knowledge Graph, KG）中记录 ALD 工艺的新方法，特别是开放研究知识图谱（Open Research Knowledge Graph, ORKG）[2]，使得生成的数据为人工智能（AI）所准备。此外，还探讨了一种轻量级但有效的方法，利用大语言模型（LLM）从现有研究文章中回溯提取信息，以填充聚焦于 ALD 工艺信息的 AI 可用 ORKG。
利用语义网（Semantic Web）[3] 工具（如知识图谱）创建 AI 可用的 ALD 数据库，能够变革传统的 ALD 工艺报告方式，提升数据的可发现性、互操作性和语义丰富性。这些结构化数据库支持更动态的更新与协作，允许自动推理以推导新知识并对 ALD 工艺进行预测。知识图谱通过以机器学习模型可直接使用的方式结构化 ALD 数据，使其更具 AI 可用性。这种方法能够更高效地预测新材料的特性或优化工艺参数，相较于传统的统计方法具有显著优势。通过使 ALD 数据更易获取和操作，知识图谱赋能研究人员利用先进的分析和预测能力，推动该领域的可能性边界。
知识图谱用于存储实体（对象、事件或概念）的互联描述，其数据既对人类操作员又对机器可语义理解。它们利用语义网技术（如本体论、RDF（资源描述框架）和 SPARQL）跨领域链接数据，并实现更好的数据集成、查询和推理。通过这样做，知识图谱在使数据对 AI 和机器学习应用可操作和可访问方面发挥了关键作用。
创建与 ALD 工艺相关的知识图谱的第一步是定义一个模式，即一组捕捉 ALD 工艺关键信息的属性。下方的 JSON 文件展示了一个包含 41 行代码的模式。
虽然该模式在“将温度和压力单位链接到标准单位本体（如 QUDT 本体）或材料科学本体（如 EMMO、MatOnto）”[4] 方面仍有改进空间，但它为以结构化方式记录 ALD 工艺信息提供了良好的起点。由于本次练习的最终目标是创建 ORKG 中的 AI 可用数据库，我已将此模式定义为 ORKG 中的模板。以下是该模板的链接：https://orkg.org/template/R733029。下方图 2 提供了一个类似 UML 的类图说明。
接下来，需要从 ALD 数据库中编制 ALD 研究论文列表，以基于该模式提取结构化的 ALD 工艺描述。我利用了 AtomicLimits ALD 数据库——这是由该领域专家精心策划的备受推崇的资源。您可以在此处探索：https://www.atomiclimits.com/alddatabase/。该数据库解决了 ALD 工艺的爆炸性增长问题，涵盖了不断扩展的材料范围，从而提高了相关研究的可发现性。由于为大量材料开发了大量 ALD 工艺，荷兰埃因霍温理工大学（由 Erwin Kessels 教授领导）创建了一个在线数据库，专家社区可以在其中提交与研究论文相关的材料和反应物。以下是向社区介绍此数据库的帖子。此外，该数据库被创意性地可视化为一个 ALD 元素周期表，使其不仅是一个实用工具，也为用户提供了视觉上的吸引力。
在从 ALD 数据库编制论文列表并执行知识提取支持任务（如获取论文全文以利用 ORKG Ask API 挖掘知识）后，我将重点转向大语言模型（LLM），特别是定义知识提取提示词。OpenAI 的 GPT 模型是一个相对易于设置的起点，因为用户可以直接使用其 API 查询模型，而无需担心托管 LLM 所需的 GPU 资源。在此，我选择使用最近的 GPT-4o LLM，并利用 Assistants API。我定义了系统提示词。系统提示词定义了 GPT 助手的角色，以使其行为（“身份”）与最终任务对齐。另一方面，用户提示词则用于与该角色对齐的 GPT 助手交互，提供查询、语句或输入文本，从中提取数据并期望其成功完成任务。根据 GPT-3 论文（Brown 等人）首次提出的上下文学习范式，用户提示词还可以包含少样本学习示例，展示任务成功完成的方式。回到与 ALD 工艺结构化信息提取相关的系统提示词定义，下方图 3 展示了最终使用的提示词。
以下是您可以尝试的练习：作为对上述工作流程的快速增强，使用 Instructor Python 库修改代码，使其更容易处理来自 LLM 的结构化输出。另一个练习：用 LiteLLM 替换 OpenAI API，使其更容易查询其他 LLM。
总结一下，到目前为止，这篇文章涵盖了使用 LLM 在复杂科学领域中编制研究知识的端到端工作流程的多个方面。文章首先介绍了 ALD 领域，并概述了知识提取的模式，该模式将塑造研究知识图谱。随后探讨了主要工具——LLM，它凭借其庞大的参数空间和生成式 AI 能力，成为在这一复杂领域中执行知识提取任务的强大工具，并有望以合理的准确性完成任务。关于评估 LLM 输出和定义知识管理工作流程的具体话题，我将在另一篇文章中讨论。
拥有结构化知识后，最后一步是将其存储在 ORKG 中，作为 AI 可用数据库。为此，可以利用 ORKG Python Package 的各种模块以编程方式上传结构化数据，并使其与 Comprehensive ALD Profile ORKG 语义模板对齐。如此，我们便使用 LLM 为复杂科学领域编制了一个研究知识图谱！
成果与影响
ORKG 示例论文：查看一篇导入的 ORKG 示例论文，标题为“CsI 和 CsPbI3 的原子层沉积”，其中包括这两种材料（CsI 和 CsPbI3）的结构化 ALD 工艺描述，分别作为详细的机器可操作数据。
• CsI 贡献：https://orkg.org/paper/R732976/R739356
• CsPbI3 贡献：https://orkg.org/paper/R732976/R739360
ORKG 比较：ALD 工艺研究概述：探索 167 项 ALD 工艺贡献的比较概述，如下方图 4 所示的快照。此比较提供了结构化摘要，便于快速审阅 ALD 工艺的研究发现和方法。
• 查看比较：https://orkg.org/comparison/R739481
本文中的工作流程定义于“AI 感知的可持续半导体工艺与制造技术路径 (AWASES)”研究项目的背景下。该项目由默克和英特尔合作资助。与埃因霍温大学、L3S 研究中心和华威大学的研究人员合作，我们的目标之一是通过从 ALD/E（原子层沉积/刻蚀）工艺中提取和整合知识来开发 AI 可用数据库。我们基于现有的众包数据库，例如 TU/e 于 2019 年推出的数据库（TU/e Atomic Limits ALD Database, DOI: 10.6100/alddatabase）。我们的目标是使这些数据库为 AI 应用做好准备，从而推动材料设计、自主实验和 AI 驱动的工艺开发方面的创新。作为朝这一目标迈出的重要一步，通过将结构化 ALD 工艺数据导入 ORKG，用户可以通过 ORKG 平台访问论文或比较。特别是相关论文可以在我们的 AWASES 项目观测站中找到。此集成支持增强的发现和研究分析能力，促进对 ALD 技术的深入理解和进一步研究。
最后，我已将用于重现本文工作流程的脚本公开在 Github：https://github.com/jd-coderepos/awases-ald/
作为结束语，我想为处理文本数据挖掘任务（尤其是科学文章）提供一些我发现特别相关且有效的工具推荐……
文本数据挖掘的附加资源——工具小清单（参考：强烈推荐这一出色的资源 https://matextract.pub/index.html [4]）
1. crossrefapi —— 一个 Python 库，用于通过 CrossRef 从各种来源获取相关科学文章的元数据。示例用法：提取并保存关于“Buchwald-Hartwig 偶联”主题的 100 个来源的元数据到 JSON 文件中。https://matextract.pub/content/obtaining\_data/crossref\_search.html
2. pygetpapers —— 使用该库可以从开放访问数据库中收集文章，支持多个开放访问 API，包括 eupmc、crossref、arXiv、bioRxiv、medRxiv 和 rxivist-bio。
3. paperscraper —— 一个 Python 包，用于从 PubMed 或预印本服务器（如 arXiv、medRxiv、bioRxiv 和 chemRxiv）抓取出版物元数据或完整 PDF 文件。示例用法：从 ChemRxiv 下载关于“Buchwald-Hartwig 偶联”主题的全文文章。https://matextract.pub/content/obtaining\_data/data\_mining.html
4. marker —— 一个 Python 库，可快速高精度地将 PDF 转换为 Markdown；已与 nougat 进行比较。
5. docTR（文档文本识别） —— 一个无缝、高性能且易于访问的 OCR 相关任务库，由深度学习驱动。支持从 PDF 或图像中解释文档
