Human-artificial intelligence teaming for scientific information extraction from data-driven additive manufacturing research using large language models

要約

積層造形 (AM) におけるデータ駆動型の研究は、近年大きな成功を収めています。
これにより、大量の科学文献が出現しました。
これらの作品の知識は、統合された方法で採掘および形式化されていない AM および人工知能 (AI) コンテキストで構成されています。
これらの研究から科学的情報を抽出するには、多大な労力と時間が必要です。
AM ドメインの専門家は、これらの研究を要約するために 20 を超えるレビュー論文を寄稿しました。
ただし、AM および AI コンテキストに固有の情報を抽出するには依然として手動の作業が必要です。
テキスト データに対する BERT (Bidirectional Encoder Representations for Transformers) や GPT (Generative Pretrained Transformers) などの基礎モデルの最近の成功により、科学情報の抽出を迅速化する可能性が開かれました。
私たちは、AM と AI の専門家が協力して、データ駆動型の AM 文献から科学情報を継続的に抽出できるフレームワークを提案します。
提案されたフレームワークに基づいてデモンストレーション ツールが実装され、データセット、モデリング、センシング、および AM システム カテゴリに関連する情報を抽出するためにケース スタディが実行されます。
データ駆動型 AM 文献から関連情報を迅速に抽出する LLM (大規模言語モデル) の機能を示します。
将来的には、このフレームワークを使用して、工学分野の広範な設計および製造文献から情報を抽出できるようになります。

要約(オリジナル)

Data-driven research in Additive Manufacturing (AM) has gained significant success in recent years. This has led to a plethora of scientific literature to emerge. The knowledge in these works consists of AM and Artificial Intelligence (AI) contexts that have not been mined and formalized in an integrated way. It requires substantial effort and time to extract scientific information from these works. AM domain experts have contributed over two dozen review papers to summarize these works. However, information specific to AM and AI contexts still requires manual effort to extract. The recent success of foundation models such as BERT (Bidirectional Encoder Representations for Transformers) or GPT (Generative Pre-trained Transformers) on textual data has opened the possibility of expediting scientific information extraction. We propose a framework that enables collaboration between AM and AI experts to continuously extract scientific information from data-driven AM literature. A demonstration tool is implemented based on the proposed framework and a case study is conducted to extract information relevant to the datasets, modeling, sensing, and AM system categories. We show the ability of LLMs (Large Language Models) to expedite the extraction of relevant information from data-driven AM literature. In the future, the framework can be used to extract information from the broader design and manufacturing literature in the engineering discipline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google