База данных сплавов с высокой энтропией, созданная с помощью крупных языковых моделей

Почему новые металлы важны в повседневной жизни

От электромобилей и ветряных турбин до смартфонов и солнечных панелей современные технологии зависят от небольшого набора критически важных металлов. Многие из этих элементов редки, дороги или зависят от уязвимых цепочек поставок. Поэтому учёные активно разрабатывают новые типы металлических смесей, которые могли бы заменить их. В этой статье представлена большая, общедоступная база данных таких материалов — называемых сплавами с высокой энтропией — созданная не вручную, а с помощью продвинутых языковых моделей, автоматически читающих и обобщающих тысячи научных статей.

Что делает эти сплавы особенными

Традиционные сплавы, такие как сталь или бронза, обычно содержат один основной металл с небольшими добавками других. Сплавы с высокой энтропией используют иной подход: они смешивают несколько элементов примерно в равных пропорциях, создавая огромное пространство для проектирования возможных комбинаций. Некоторые из таких смесей обладают выдающимися свойствами, например исключительной прочностью, стойкостью к износу или полезной каталитической активностью в химических реакциях. Но при десятках тысяч потенциальных рецептов было бы невозможно испытать их все в лаборатории методом проб и ошибок.

Доверить машинам чтение литературы

Чтобы ориентироваться в этом обширном пространстве, авторы обратились к крупным языковым моделям — тому же типу искусственного интеллекта, который может суммировать статьи или отвечать на вопросы. Они собрали 4625 полнотекстовых научных статей о сплавах с высокой энтропией из крупных издательств, преобразовав структурированные файлы и даже сложные макеты PDF в машиночитаемый текст. Затем модель направляли через тщательно продуманные последовательности вопросов, просили выделить каждый сплав, его химический состав, способ получения, какую кристаллическую структуру он формировал и был ли исследование теоретическим или экспериментальным.

Преобразование свободного текста в структурированные знания

Команда использовала поэтапную стратегию подсказок, при которой каждый последующий вопрос к модели опирался на предыдущие ответы, поддерживая согласованное понимание каждой статьи. Ответы модели принуждали к полуструктурированному формату, напоминающему вложенные списки или таблицы, которые затем можно было распарсить в чистую базу данных. В итоге система извлекла информацию о 12 427 различных сплавах с высокой энтропией, каждый из которых связан с оригинальной статьёй через цифровой идентификатор для удобной проверки и повторного использования. Помимо самих сплавов, база данных фиксирует ключевые детали, такие как число фаз, тип кристаллической решётки и методы, использованные для синтеза или моделирования материалов.

Что база данных показывает о текущих исследованиях

Благодаря большому объёму база данных даёт представление о том, как развивалась область. Многие записанные сплавы формируют лишь один доминирующий тип кристалла, чаще всего в знакомых структурах, которые обеспечивают хороший баланс прочности и вязкости. Записи также показывают, что классические методы плавки, такие как дуговая плавка, остаются основными способами производства этих материалов, в то время как порошковые и лазерные методы растут, но пока находятся на второстепенных позициях. Отдельный анализ часто встречающихся элементов подчёркивает сильную концентрацию на некоторых переходных металлах и составах, связанных с широко изучаемым эталонным сплавом, указывая, где сейчас сосредоточены усилия исследователей.

Проверка работы машины

Чтобы оценить надёжность автоматизированного извлечения, эксперты вручную проверили выборку из 50 статей. Они сравнили собственные тщательно подготовленные ответы с тем, что выдала языковая модель и последующие скрипты обработки. Результаты показали высокую точность в базовых задачах, таких как определение состава сплава и типа исследования, с правильностью выше 90% в отдельных случаях. Более сложные задачи, например разбиение тонкой информации о фазах на строки, пригодные для базы данных, оказались более подвержены ошибкам: после форматирования точность опускалась до высоких 70% диапазона. Этот анализ позволил авторам выявить, где конвейер работает надёжно, а где требуются дальнейшие улучшения.

Почему этот ресурс важен

Для неспециалистов главный вывод таков: теперь существует общедоступная, масштабная карта современного исследования сплавов с высокой энтропией, созданная автоматически на основе научной литературы. Эта база данных сама по себе не открывает идеальный новый материал, но даёт исследователям и инженерам мощную отправную точку: структурированную, поискoвую платформу, на которой можно строить продвинутый анализ данных и машинное обучение. Значительно сокращая время, необходимое для сбора и стандартизации прошлых результатов, работа ускоряет поиск новых металлических смесей, которые могли бы способствовать более чистой энергетике, более долговечным устройствам и более устойчивым поставкам критических материалов.

Цитирование: Chizhevskiy, V., Marković, G., Benrazzouq, Se. et al. High Entropy Alloys Database generated with Large Language Model. Sci Data 13, 612 (2026). https://doi.org/10.1038/s41597-026-06930-z

Ключевые слова: сплавы с высокой энтропией, база данных материалов, крупные языковые модели, открытие материалов, автоматизированный текстовый майнинг