SCHEMA-MINERpro 解读

先看一个例子

假设一篇 ALD 论文里有一句话：

论文原文

The Al₂O₃ film was deposited at 200 °C using trimethylaluminum and H₂O. The TMA pulse time was 0.1 s, followed by a 5 s N₂ purge. The growth per cycle was 1.1 Å/cycle.

→

机器真正需要的结构

process: Atomic Layer Deposition
material: Al2O3
precursors: TMA, H2O
temperature: 200 °C
pulse_time: 0.1 s
purge_time: 5 s
growth_per_cycle: 1.1 Å/cycle

第一步只是把句子拆成字段。但这还不够，因为机器还不知道 temperature 是标准温度概念，也不知道 °C 应该如何和 Kelvin 互相转换。

普通字段

temperature: 200 °C

→

本体对齐后

temperature:
  value: 200
  unit: qudt:DEG_C
  quantityKind: qudt:Temperature

所以这篇文章不是简单地“抽几个关键词”。它要做的是：从科学文本中抽出结构，再让结构带上标准语义。

它解决了什么问题？

科学论文对人友好，但对机器不友好。尤其是实验流程，常常写得很自然，却很难直接变成数据库或知识图谱。

问题 1：字段不统一

一篇论文写 temperature，另一篇写 substrate temperature，还有一篇写 temp。人知道差不多，机器不一定知道。

问题 2：单位不统一

温度可能是 °C 或 K，时间可能是 s 或 ms。没有标准化，跨论文比较就很麻烦。

问题 3：LLM 会跑偏

LLM 能生成 JSON，但可能漏字段、乱分组、过度细化，或者生成看似合理但专家不认可的结构。

ALD ALE cycle — Figure 3：论文选择 ALD 和 ALE，因为它们都是半导体制造里的层级工艺，参数密集、单位重要，很适合检验 schema 是否真的有用。

它用了什么方法？

方法可以理解成四步：先让 LLM 生成草稿，再用论文和专家反馈不断修正，最后让 agent 把字段连到标准本体。

给一份工艺说明

专家先写一个 process specification，告诉模型这个工艺大概是什么。

让 LLM 出 schema 草稿

模型生成初始 JSON schema：有哪些字段、字段是什么意思、类型和单位是什么。

用论文和专家修正

先用少量高质量论文精修，再用更多论文泛化；专家可以写意见，也可以直接改 schema。

Agent 做本体对齐

把 temperature、pressure、energy、time 等字段连到 QUDT 的标准概念和单位。

Workflow — Figure 1：三阶段 schema mining。Stage 1 生成初稿，Stage 2 用小规模精选论文修正，Stage 3 用大规模论文泛化。

Agent 到底在干什么？

可以把 agent 想象成一个“本体对齐助理”。它不是重新读整篇论文，而是逐个检查 schema 字段，看这个字段能不能对齐到标准概念。

简单字段：直接匹配

比如 temperature、pressure、flow rate。agent 能直接在 QUDT 里找到对应的 QuantityKind 和 Unit。

temperature → QUDT Temperature
°C → QUDT DEG_C

复杂字段：语义搜索

比如 growth per cycle。QUDT 里未必有同名概念，agent 会用 FAISS 找相关本体片段，再让 LLM 判断最接近的语义。

growth_per_cycle
→ related to Length / domain metric
→ ask expert to confirm

Figure 2：Agent grounding 流程。先做 lexical search，找不到再做 FAISS semantic search，最后把候选结果交给专家确认。

这一步最容易出错的地方不是“概念完全找不到”，而是“单位粒度不符合实验习惯”。论文里说，大约 30% 的单位建议需要专家修正。

公式其实可以这样理解

不用被符号吓到。下面这些公式只是把刚才讲的流程写得更正式。

Schema 怎么一步步变好

每一轮 schema 都由上一轮 schema、当前论文资料、专家反馈共同决定：

$$S_t=f_\theta(D_t,S_{t-1},F_t),\quad t\in\{1,2,3\}$$

简单说：模型不是一次生成完，而是不断吸收资料和专家意见。

字段怎么对齐本体

一个字段先尝试直接匹配；不行就检索本体，再交给 LLM 判断：

$$G(p_i)=\begin{cases}m_i, & \text{direct match}\\\operatorname{LLM}(p_i,\operatorname{Retrieve}_k(p_i,O)), & \text{ambiguous}\\\varnothing, & \text{not a physical quantity}\end{cases}$$

简单说：容易的直接查，难的用语义搜索和 LLM。

Quantity schema — Figure 4：Quantity 子 schema。它把 value、unit、quantityKind、sameAs URI 放到一个统一结构里。

实验怎么做？

作者用 ALD 和 ALE 两种工艺测试系统，比较不同模型、不同专家反馈方式，以及 QUDT grounding 的效果。

模型

GPT-4o
GPT-4-turbo
LLaMA 3.1 8B

反馈设置

只给自然语言反馈
只给专家修改后的 schema
两种反馈都给
不给专家反馈，作为 baseline

数据

Stage 1：专家写的工艺说明
Stage 2：约 1-10 篇精选论文
Stage 3：最高约 100 篇更大规模论文

评价

ROUGE-L、BLEU、BERTScore 比较 schema 文本相似度
专家评估 schema 是否合理
专家检查 QUDT grounding 是否正确

关键结果表：简化版

问题	结论	解释
哪种反馈最好？	自然语言反馈 + 直接 schema 编辑	文字提供语义解释，schema 编辑提供结构约束。
ALD 上谁更稳？	GPT-4o 和 LLaMA 3.1 8B	它们更能保持结构，不容易乱加字段。
ALE 上谁更稳？	GPT-4o 和 GPT-4-turbo	LLaMA 在大语料阶段更容易生成过度特化字段。
Agent grounding 准吗？	概念识别整体有效，但单位常需专家修	约 30% 的单位建议被专家调整，说明领域实践很重要。

ALD grounded schema — Figure 5：ALD 的 ontology-grounded schema 片段。

ALE grounded schema — Figure 6：ALE 的 ontology-grounded schema 片段。

最后记住这几句话就够了

它解决的不是阅读问题

人本来就能读论文。它解决的是机器如何把论文变成可查、可比、可推理的数据。

LLM 不是终点

LLM 负责生成 schema 草稿，但专家反馈和 ontology grounding 才让结果可靠。

本体对齐是关键

只有字段连到 QUDT 这样的标准概念，跨论文、跨数据集比较才真正可行。

我的锐评

这篇工作的方向是对的，而且很务实。它知道科学 schema 不是靠 LLM 一句话就能生成的，需要专家、文献、本体和工具链一起工作。

优点

问题非常真实，贴近 AI4Science 和知识图谱落地。
human-in-the-loop 设计合理，没有假装全自动万能。
Agent + FAISS + QUDT 的 grounding 方案工程上很实用。
ALD/ALE 案例选得好，能体现单位、工艺参数和过程结构的重要性。

不足

评价指标偏弱，ROUGE/BLEU/BERTScore 不太适合衡量 schema 是否科学正确。
缺少真正的 gold standard schema。
Agent grounding 没有给出足够细的准确率、召回率、单位准确率。
跨领域泛化还主要是展望，没有实证。

如果下一版要更强，我最希望看到 schema-aware metrics、grounding ablation、完整 prompt 和专家标注基准。这样它就不只是一个漂亮系统，而会是一篇更硬的实验论文。

One More Thing

论文最后还做了一个 Hugging Face Spaces 聊天应用。我的理解是，它真正指向的是一个“科学 schema IDE”：专家在界面里看字段 diff、看单位候选、看本体 URI、看来源证据，然后一键接受、拒绝或修改。

Figure 7：SCHEMA-MINERpro Chat application。

这篇论文想让机器真正读懂科学实验流程。

一句话

最核心的价值

先看一个例子

论文原文

机器真正需要的结构

普通字段

本体对齐后

它解决了什么问题？

问题 1：字段不统一

问题 2：单位不统一

问题 3：LLM 会跑偏

它用了什么方法？

给一份工艺说明

让 LLM 出 schema 草稿

用论文和专家修正

Agent 做本体对齐

Agent 到底在干什么？

简单字段：直接匹配

复杂字段：语义搜索

公式其实可以这样理解

Schema 怎么一步步变好

字段怎么对齐本体

实验怎么做？

模型

反馈设置

数据

评价

关键结果表：简化版

最后记住这几句话就够了

它解决的不是阅读问题

LLM 不是终点

本体对齐是关键

我的锐评

优点

不足

One More Thing