ComProScanner : un cadre multi-agent pour l'extraction structurée de données composition-propriété à partir de la littérature scientifique
ComProScanner: A multi-agent based framework for composition-property structured data extraction from scientific literature
October 23, 2025
papers.authors: Aritra Roy, Enrico Grisan, John Buckeridge, Chiara Gattinoni
cs.AI
papers.abstract
Depuis l’avènement des grands modèles de langage pré-entraînés, l’extraction de connaissances structurées à partir de textes scientifiques a connu un changement révolutionnaire par rapport aux techniques traditionnelles d’apprentissage automatique ou de traitement du langage naturel. Malgré ces avancées, les outils automatisés accessibles permettant aux utilisateurs de construire, valider et visualiser des jeux de données issus de l’extraction de la littérature scientifique restent rares. Nous avons donc développé ComProScanner, une plateforme multi-agents autonome qui facilite l’extraction, la validation, la classification et la visualisation de compositions et propriétés chimiques exploitables par machine, intégrant des données de synthèse issues d’articles scientifiques pour la création de bases de données complètes. Nous avons évalué notre cadre à l’aide de 100 articles scientifiques en comparant 10 modèles de langage étendus différents, incluant des modèles open source et propriétaires, afin d’extraire des compositions hautement complexes associées aux matériaux céramiques piézoélectriques et leurs coefficients de déformation piézoélectrique correspondants (d33), motivés par l’absence d’un jeu de données volumineux pour ces matériaux. DeepSeek-V3-0324 a surpassé tous les modèles avec une précision globale significative de 0,82. Ce cadre offre une solution simple, conviviale et immédiatement utilisable pour extraire des données expérimentales hautement complexes enfouies dans la littérature, en vue de constituer des jeux de données pour l’apprentissage automatique ou profond.
English
Since the advent of various pre-trained large language models, extracting
structured knowledge from scientific text has experienced a revolutionary
change compared with traditional machine learning or natural language
processing techniques. Despite these advances, accessible automated tools that
allow users to construct, validate, and visualise datasets from scientific
literature extraction remain scarce. We therefore developed ComProScanner, an
autonomous multi-agent platform that facilitates the extraction, validation,
classification, and visualisation of machine-readable chemical compositions and
properties, integrated with synthesis data from journal articles for
comprehensive database creation. We evaluated our framework using 100 journal
articles against 10 different LLMs, including both open-source and proprietary
models, to extract highly complex compositions associated with ceramic
piezoelectric materials and corresponding piezoelectric strain coefficients
(d33), motivated by the lack of a large dataset for such materials.
DeepSeek-V3-0324 outperformed all models with a significant overall accuracy of
0.82. This framework provides a simple, user-friendly, readily-usable package
for extracting highly complex experimental data buried in the literature to
build machine learning or deep learning datasets.