基于大语言模型的智能信息提取管道构建聚合物加工数据库——以注塑成型为例

这篇研究开创性地利用大语言模型（LLM）构建聚合物加工参数自动化提取框架，针对注塑成型（Injection Molding）领域文本中参数描述多变、术语专属性强的痛点，采用4-bit NormalFloat量化技术和低秩适配器（LoRA）微调方法，实现91.1%的提取准确率。该工作为高效构建聚合物加工数据库提供了轻量化解决方案，显著加速材料研发周期。

　　

Highlight

本研究通过大语言模型（LLM）驱动的智能信息提取管道，攻克了聚合物加工领域文本中技术流程描述多变和术语专属性强的双重挑战。以注塑成型为范例，我们开发了一套融合领域知识的自动化工具，为构建聚合物加工数据库提供了高效方案。

错误类型分析（零样本提示）

初始测试中，模型仅生成4个完全正确的输出。我们通过建立错误分类体系揭示其幻觉模式：

1. 事实性幻觉：模型将无关参数关联到目标工艺（如把挤出机转速误归为注塑参数）

2. 上下文错位：忽略文本明确指代的工艺类型（如将3D打印参数误判为注塑条件）

3. 单位混淆：错误转换量纲（如将psi误读为MPa）

   这些发现为后续微调提供了明确优化方向。

结论

本研究证明QLoRA框架能以极低数据量（224样本）实现聚合物加工参数的高精度提取（准确率91.1%，F1值98.7%）。创新性提出的数据分布评估方法，为资源受限场景下的领域适配树立了新标准。注塑成型参数的精准提取案例，彰显了该方案在加速材料研发方面的巨大潜力。