《Scientific Data》：A multimodal dataset of causal mechanisms in materials science literature
编辑推荐：
本刊推荐：为系统挖掘材料科学文献中分散的因果机制知识，研究人员构建了首个大规模多模态数据集MatMech。该研究从61,766篇论文中提取207,200个精细机制链，整合实验数据、表征图像与外部知识，并通过冲突检测与幻觉校验确保可靠性。数据集为材料智能设计提供了可解释的因果推理基础。
在材料科学的浩瀚文献中，隐藏着无数关于材料如何通过特定加工工艺获得微观结构，进而决定其性能表现的因果机制。这些机制是材料设计的核心，却像散落的珍珠般埋藏在论文的文本、图表和参考文献中。尽管材料科学四面体（Materials Science Tetrahedron, MST）早已确立了处理（Processing）、结构（Structure）、性能（Property）和服役表现（Performance）四大要素的关联框架，但系统性地从海量文献中挖掘解释“如何”与“为什么”的深层机制链条，始终是领域面临的重大挑战。传统研究方法依赖人工梳理，效率低下且难以规模化，而现有知识库多局限于实体关系三元组，缺乏对机制推理过程的多模态证据支持。
为解决这一瓶颈，研究团队在《Scientific Data》上发表了题为“A multimodal dataset of causal mechanisms in materials science literature”的研究，推出了MatMech数据集。这项工作构建了材料科学领域首个大规模、经过交叉验证的多模态因果机制知识库。研究人员创新性地提出了基于大型语言模型（LLM）的机制推导框架，从61,766篇材料科学研究论文中提取出207,200个精细粒度机制，并配以1,113,940项多模态证据。每个机制不仅明确了MST元素间的因果关系，还整合了实验信息、表征结果和外部知识作为支撑证据，形成了完整的推理链条。
研究团队采用多项关键技术构建这一数据集。通过大规模数据筛选从15种高水平期刊获取文献，利用MinerU工具包解析PDF生成结构化JSON数据。采用微调后的Llama-3.3-70B-Instruct模型进行MST元素识别，训练YOLO11n模型实现微观图像自动检测（准确率96.08%）。机制分析模块将因果链分解为实验结果、图像描述、参考知识等证据类型，并创新性地集成冲突检测（基于ConflictBank理念）和幻觉检测（采用HHEM v2模型）模块，确保提取内容的可靠性和一致性。
数据记录与组织
数据集包含61,766条记录，涵盖1989-2025年间出版物。每条记录包含文献元数据、目标材料、MST元素、因果关系和机制知识。对425,295张图像进行类型标注，207,200个机制条目结构化组织实验信息、表征信息和外部知识。数据采用统一JSON格式，便于检索和分析。
技术验证结果
在400篇论文的验证集上，领域专家评估显示提取准确率优异：MST元素整体95.2%，图像分类96.7%，机制提取98.1%。因果链提取准确率超91%，推理链条准确率达98.5%。注释者间一致性指标（PA=0.9431，AC1=0.9396）表明标注可靠性高。提取性能在不同期刊和材料领域间保持稳定，平均准确率均高于94%。
数据集多样性与可靠性
材料类型分布显示纳米材料（33,956例）、复合材料（24,417例）和涂层薄膜（23,555例）占比最高。元素覆盖分析表明氧、碳、氢等轻元素和铁、钛等过渡金属出现频率最高。性能分布中机械性能（25%）、电性能（22%）和光学性能（17%）主导研究关注。机制类型分析揭示处理→结构、结构→性能等因果路径最为常见，推理链长度以5步为主（占70%）。
冲突与幻觉检测
全库检测到7,619例潜在矛盾知识，冲突率仅0.68%。幻觉率维持在5.43%的低水平，其中实验结果和图像描述以轻微事实错误为主，而外部知识则更多出现虚构内容。每个证据项附带的置信度评分为用户提供了可靠性评估依据。
本研究构建的MatMech数据集突破了材料科学知识提取的尺度与粒度限制，首次实现了机制级知识的多模态整合。通过将分散的因果解释转化为结构化、可验证的推理链条，为材料智能设计提供了丰富的知识基础。数据集的发布将助力开发能够自主检索证据、构建可解释机制链的研究助手，推动材料科学从经验积累向理性设计转变。未来，团队计划定期更新数据集，扩展文献覆盖范围，进一步丰富材料机制知识生态系统。
