研究背景

    随着框架材料（如金属有机框架MOFs、共价有机框架COFs）在催化、气体存储等领域的广泛应用，其结构-性能关系的系统性理解仍受限于数据分散与多源异构问题。传统知识整合方法依赖人工标注，效率低下且难以捕捉复杂关联。近年来，大语言模型（LLMs）在知识提取与推理中展现出潜力，但尚未系统应用于材料科学的知识图谱（KG）构建。本文提出一种LLM驱动的自动化框架，旨在解决框架材料领域知识碎片化问题，为高通量筛选与性能预测提供结构化基础。

主要内容

    框架材料（FM）已被广泛研究，大量文献记录了其独特的特性和潜在应用。尽管如此，这个新兴领域的综合知识图谱尚未构建。在这项研究中，通过利用大型语言模型（LLM） 的自然语言处理能力，我们建立了一个全面的知识图谱（KG-FM）。它涵盖了FM的合成、性质、应用和其他方面，包括金属有机框架（MOF）、共价有机框架 （COF） 和氢键有机框架 （HOF）。知识图谱是通过分析超过 10 万篇文章构建的，产生了253万个节点和401万个关系。随后，它的应用已被探索用于增强数据检索、挖掘和复杂问答系统的开发。特别是在将KG与LLM集成时，结果Qwen2-KG不仅在问答中实现了比现有模型更高的91.67%的准确率，而且还提供了精确的信息源。

图 1 从文献中构建知识图谱并将其用于知识查询和增强的LLM检索和知识图谱应用的流程图

总结与展望

    该研究首次将LLMs与知识图谱技术深度融合，实现了框架材料多模态数据（文本、表格、图像）的自动化抽取与关联，显著提升了知识构建效率与覆盖度。通过引入领域适配的提示工程与逻辑规则校验，解决了LLMs在专业术语和数值推理中的幻觉问题，为材料逆向设计提供新范式。未来这一方法可扩展至其他材料体系，推动材料informatics向智能化、标准化发展。

DOI：10.1038/s41524-025-01540-6