来源：期刊VIP网 时间：
作者：韦士豪;李舒远;王亚鑫;孙少瑞;
单位：北京工业大学材料科学与工程学院;
摘要：固态电解质是提升锂离子电池性能和安全性的关键材料，获取其结构化的合成信息对于相关研究至关重要。人工从文献中提取费时费力，基于规则的方法泛化性能差，机器学习的方法则需大量标记数据，都存在一定的局限性。本研究旨在利用大语言模型自动提取文献中的固态电解质合成信息。首先，训练段落分类模型，包括贝叶斯模型、BERT模型和3个不同的大语言模型，筛选出描述固态电解质合成过程的段落。然后，训练合成信息提取模型，为3个不同的大语言模型，从这些段落中提取合成信息。在段落分类任务中，Gemma模型的整体表现最好，F1分数超过0.9,LLaMA模型和BERT模型的表现次之，F1分数都超过0.85，贝叶斯模型的表现最差，F1分数低于0.85。在合成信息提取任务中，3个大语言模型的F1分数都超过了0.9。结果表明，大语言模型可以高效且准确地提取文献中锂离子电池固态电解质的合成信息，且小参数模型的性能与大参数模型相当。
关键词：大语言模型;锂离子电池;固态电解质;提取
基金资助：国家科技重大专项资助项目(2021YFA1201000)
