本文提出了一种利用自然语言处理技术对材料科学进行知识抽取和检索的新方法，将来自超过 950 万篇研究文章的结构化知识自动挖掘出来，并整合到一个搜索引擎中，使材料科学家能够更精确地搜索有关特定材料、属性和实验的信息。

Feb, 2023

本文研究了在化学领域中使用自然语言描述来增强预测模型。使用文献手动提取的大量结构化数据来训练化学信息模型是传统的方法。本文引入了一种新的方法 TextReact，该方法直接利用从文献中检索到的文本增强预测化学。TextReact 检索与给定化学反应相关的文本描述，然后将其与反应的分子表示进行对齐。通过在预测器训练中加入辅助的掩码语言模型目标，增强了这种对齐。我们通过两个化学任务进行了实证验证：反应条件推荐和一步逆合成。通过利用文本检索，TextReact 显著优于仅基于分子数据训练的最先进的化学信息模型。

Dec, 2023

本论文介绍推出的通过标记图表达句子语义、带有经验标注的 230 个物质合成程序数据集，旨在为材料科学领域进行材料合成的自动计划和科学信息提取等方面的研究和开发提供支持。

May, 2019

本文介绍了一种自动从物质科学期刊文章中提取无机化合物实验合成结构化信息的系统，定义为一组链接事件，由提取的科学实体构成，同时评估了两种无监督方法和多种有监督模型。

Nov, 2017

近年来，如何综合分子的规划，即背向合成，已成为机器学习和化学领域关注的焦点之一。然而，现有技术存在系统性缺陷，由于缺乏完善的基准和一致的比较方法而被掩盖。为解决这个问题，我们提出了一个名为 syntheseus 的基准库，以默认方式促进最佳实践，使单步和多步背向合成算法能够进行一致且有意义的评估。我们使用 syntheseus 对之前的一些背向合成算法进行重新评估，发现在仔细评估时，目前最先进模型的排名会有所改变。最后，我们提供了这一领域未来工作的指导建议。

Oct, 2023

本篇研究文章提出了一种名为 ReactIE 的方法，通过弱监督预训练的方式，结合来自文本中的频繁模式和专利记录中的数据，以识别化学反应的特定特征。实验证明，ReactIE 优于所有现有的基准模型。

Jul, 2023

我们提出了一种可扩展的文件摄取系统，将数据库和出版物中的数据（以 PDF 格式）集成到生物化学知识图表（BCKG）中。BCKG 是一个全面的知识源，可以查询以检索已知的生物化学事实并生成新的见解。我们展示了我们的系统在碳水化合物酶领域的应用，BCKG 代表了一种自动利用先前知识加速生化科学发现的方法。

Jul, 2019

本研究采用知识综合、段落检索、三元组检索和复杂问答等方法，构建一个可扩展的解决方案，以有效地从大规模研究文档中提取和探索复杂信息，以解决医疗保健行业面临的大量非结构化数据的问题，并在 COVID-19 数据集上进行了定性评估以证明其有效性。

Feb, 2023

介绍了产品综合的问题，提出了一个系统来解决该问题，包括提取，数据合并等组件，其中还涉及从商家提取数据，架构对接和数据同化等问题。使用比较了 Bing Shopping 的数据，通过实验验证该方法能自动生成大量准确的产品规格，其中自适应的架构对接部分表现更好。

May, 2011

该论文介绍了 ORKG-assays 工具，一个帮助科学家将他们的学术贡献语义化的 AI 工具，它利用了 AI 聚类算法，可以帮助药学研究人员在药物开发方面智能地访问语义化的生物分析集合。

Mar, 2022