西工大 张悦周AS：提示工程+大模型协同加速数据驱动的光催化材料发现
MaterialsViews
2026-04-28 08:30
文章摘要
本研究针对非结构化科学文献中大量关键材料信息难以被机器直接利用的“数据碎片化”问题，提出了一种基于大模型协同的自动化文献挖掘与材料发现框架。研究以石墨型氮化碳（g-C3N4）光催化剂为对象，通过提示工程与多模型集成策略，实现了从文献知识提取到机器学习建模再到实验验证的完整闭环。研究构建了高质量结构化数据库，并利用机器学习模型揭示出比表面积和带隙是决定光催化制氢效率的核心参数，其中带隙与催化性能呈现非单调关系，最优带隙范围为2.2–2.4 eV。实验验证表明，模型预测值与实验测量值的偏差低于5%，证明了数据驱动方法的可靠性。该框架将碎片化文献信息转化为可操作的材料设计智能，为AI驱动材料设计提供了新范式。
本站注明稿件来源为其他媒体的文/图等稿件均为转载稿，本站转载出于非商业性的教育和科研之目的，并不意味着赞同其观点或证实其内容的真实性。如转载稿涉及版权等问题，请作者速来电或来函联系。
京公网安备 11010802042870号
京ICP备2023020795号-1
