融合知识图谱与大语言模型的锂电池材料性质预测研究.pdfVIP

摘要

摘要

摘要

锂电池材料性质的准确预测对推动电动汽⻋和可再⽣能源存储等领域的发

展⾄关重要。然⽽，传统实验试错法效率低且成本⾼，虽然基于数据驱动的机器

学习算法能够提⾼效率并实现较为可靠的性能预测，但其缺少材料语义层⾯的信

息交融，限制了锂电池材料性能的研究。知识图谱能够结构化地表示材料领域的

知识，揭示不同性质之间的内在联系，提供了丰富的语义信息。⽽⼤语⾔模型则

擅⻓理解和⽣成⾃然语⾔⽂本，能够捕捉材料描述中的隐含信息，进⼀步增强模

型的语义理解能⼒。将知识图谱与⼤语⾔模型相结合，可以充分利⽤两者的优势，

实现更⾼效、可靠的推理预测。本⽂旨在探索融合知识图谱与⼤语⾔模型的锂电

池材料性质预测⽅法，主要研究⼯作如下：

（）构建锂离⼦电池材料⽂献知识图谱。基于收集的⽂献，通过领域术语

1

聚类确⽴知识图谱的实体关系分类体系，训练基于Bert-BiLSTM-CRF的实体识

别模型和基于Bert-BiLSTM-Attention的关系抽取模型，对领域⽂献进⾏信息提

取后通过构建消岐词典对实体进⾏消岐，最后将整理好的数据导⼊Neo4j数据库

中进⾏存储。

（）提出基于知识图谱与⽣成式⼤语⾔模型联合推理的材料性质预测⽅法。

2

指令微调LLAMA2提取输⼊问题中的领域实体并链接知识图谱，通过计算杰卡

德相似度筛选相似材料，并将相似材料的关联信息输⼊GPT4模型，利⽤提示学

习技术引导GPT4结合知识图谱显性知识和⾃身隐性知识对材料属性进⾏联合推

理预测，并给出预测结果和理由。

（）提出基于数据库扩充的知识图谱与判别式⼤语⾔模型的材料性质预测

3

⽅法。利⽤专业材料数据库中的同分异构体及电池信息补全扩充知识图谱，并将

材料内部结构属性信息转化为⽂本描述，根据知识图谱中的实体关联，构建材料

⽂本描述与不同性质的对应关系数据集，通过微调判别式⼤模型根据材料内部结

构预测材料整体性能。

综上所述，本⽂提出了⼀种结合知识图谱与⼤语⾔模型的锂电池材料性质预

测⽅法。通过构建锂电池材料的知识图谱，并结合⼤语⾔模型的推理能⼒，提升

了材料性能预测的准确性。该⽅法有效融合了领域知识与数据推理，为锂电池材

料的研发与优化提供了新的思路，具有⼴泛的应⽤前景。

关键词：锂电池材料；知识图谱；⼤语⾔模型；材料数据库；材料性质预测

I

Abstract

Theaccuratepredictionofthepropertiesoflithiumbatterymaterialsiscrucial

forpromotingthedevelopmentinfieldssuchaselectricvehiclesandrenewable

energystorage.However,thetraditionaltrial-and-errorexperimentalmethodis

inefficientandcostly.Althoughthedata-drivenmachinelearningalgorithmcan

improveefficiencyandachieverelativelyreliableperformanceprediction,itlacks

informationintegrationatthematerialsemanticlevel,limitingtheresearchonlithium

batterymaterialsperformance.Theknowledgegraphcanstructurallyrepresentthe

knowledgeinthematerialfield,revealingtheintrinsi