Resumen: Los enfoques de inteligencia artificial (AI) basada en datos están transformando fundamentalmente el descubrimiento de nuevos materiales. A pesar de la disponibilidad sin precedentes de datos de materiales en la literatura científica, gran parte de esta información permanece atrapada en figuras y tablas no estructuradas, lo que obstaculiza la construcción del agente de IA basado en el modelo de lenguaje grande (LLM) para el diseño de materiales automatizados. Aquí, presentamos la interpretación descriptiva del flujo de trabajo de la expresión visual (buceo) múltiple, que lee y organiza sistemáticamente datos experimentales de elementos gráficos en literaturas científicas. Nos centramos en los materiales de almacenamiento de hidrógeno en estado sólido: una clase de materiales centrales para futuras tecnologías de energía limpia y demostramos que la inmersión mejora notablemente la precisión y cobertura de la extracción de datos en comparación con la extracción directa por modelos multimodales, con ganancias de 10-15% sobre modelos comerciales y más del 30% en relación con los modelos de código abierto. Sobre la base de una base de datos curada de más de 30,000 entradas de 4.000 publicaciones, establecemos un flujo de trabajo de diseño inverso rápido capaz de identificar composiciones de almacenamiento de hidrógeno no reportadas previamente en dos minutos. El flujo de trabajo de IA propuesto y el diseño del agente son ampliamente transferibles a través de diversos materiales, proporcionando un paradigma para el descubrimiento de materiales basados en la IA.
Publicado Originalme en export.arxiv.org El 19 de agosto de 2025.
Ver Fuente Original
