Extraction d'informations structurées à partir de textes scientifiques avec de grands modèles de langage

L'extraction de connaissances structurées à partir de textes scientifiques demeure une tâche difficile pour les modèles d'apprentissage automatique. Ici, nous présentons une approche simple pour la reconnaissance conjointe des entités nommées et l'extraction de relations, et démontrons comment les grands modèles de langage pré-entraînés (GPT-3, Llama-2) peuvent être affinés pour extraire des enregistrements utiles de connaissances scientifiques complexes. Nous testons trois tâches représentatives en chimie des matériaux : lier les dopants et les matériaux hôtes, cataloguer les cadres métal-organiques, et extraire des informations générales sur la composition/phase/morphologie/application. Les enregistrements sont extraits à partir de phrases uniques ou de paragraphes entiers, et le résultat peut être retourné sous forme de phrases simples en anglais ou dans un format plus structuré tel qu'une liste d'objets JSON. Cette approche représente une voie simple, accessible et très flexible pour obtenir de grandes bases de données de connaissances scientifiques spécialisées structurées extraites des articles de recherche.