Chombo-Crunch 已成功模拟过一个毛细管实验：CO₂ 酸化流体流过填充方解石颗粒的毛细管（Molins et al., 2014）。

化学体系、平衡反应与方解石动力学

防数据泄漏:输入特征值完全相同但输出值不同的记录(由重复测量反映的实验不确定性造成)被分到同一组,每组只整体分配给训练集或测试集。

引出本文流程范围之外的难题(图),为后面"局限与展望"铺垫。

还改变了基础训练数据的使用比例,发现加测试域样本带来的增益大体一致,但描述符的好处在基础训练集较大时更明显。

与深度学习中观察到的神经缩放定律一致(81–83)。

极值检查:对每个特征系统地检查极端值。对每条记录计算混合物组分总质量和水胶比,验证提取值是否物理合理、符合领域知识。 交叉核对:对随机选取的记录子集,把提取值与原始论文对照,确认其准确性。

为保证后续分析和 ML 建模的数据质量与一致性,做了额外的清洗。清洗去掉了重复记录和超出研究范围的混合物(含非目标 SCM 的),详见 Methods "Postprocessing of the extracted database"。

额外的 agent 检查提取值是否物理合理(如抗压强度必须为正)。

说明文本侧"规则粗筛 + LLM 精筛"的混合策略。

缺少大规模、高质量、可获取的实验数据集

跨表合并与隐含信息的推算

展示处理 agent 的具体清洗动作,说明 LLM 如何替代规则。

可以用 JSON 等更显式的格式,但纯文本更紧凑、省 token,

因为它们显式地用标签编码文档元素

ML 分析:大、多样、信息丰富的数据集,对提高 ID 预测精度和对未见材料体系的 OOD 泛化都很关键,从而让数据驱动的材料建模更可靠、更可泛化。

表格提取的工作很有限(25,40–44)。

LLM 上表现稳健。对各类"组成–工艺–性能"属性,F₁ 最高达 0.98。