[Paper] 检索增强生成的文献衍生聚合物知识：可降解聚合物专家系统的示例

请提供您希望翻译的具体文本（例如摘要、章节内容等），我将在保持原有格式和技术术语的前提下，将其翻译为简体中文。

概述

本文提出了一种 检索增强生成（RAG） 系统，将海量、非结构化的高分子文献转化为可用的专家助理。通过将大型语言模型与两条自定义检索管道相结合——一条基于密集向量相似度的（VectorRAG），另一条基于结构化知识图谱的（GraphRAG）——作者展示了如何针对可生物降解聚合物（特别是聚羟基烷酸酯，PHA）的复杂跨研究问题提供带有引用和可追溯证据的答案。

关键贡献

• 两个特定领域的 RAG 流水线：
  • VectorRAG：用于高召回检索的密集段落嵌入。
  • GraphRAG：规范化的知识图谱，支持实体消歧和多跳推理。
• 策划的 >1,000 篇 PHA 论文语料库，包含段落级嵌入和规范聚合物术语的图谱。
• 全面评估：针对标准检索指标、商业 LLM（GPT、Gemini）以及专家化学家验证进行评估。
• 权衡展示：GraphRAG 提供更高的精确度和可解释性；VectorRAG 则覆盖面更广。
• 面向开源的框架，降低对专有模型的依赖，同时确保每个生成的主张都有文献引用作为支持。

方法论

1. 语料库构建 – 作者抓取并清洗了 1,000 多篇经同行评审的 PHA 论文的全文，将其划分为逻辑段落。
2. 嵌入层 (VectorRAG) – 每个段落使用经过领域微调的 Transformer 编码为密集向量。近似最近邻索引（FAISS）实现快速相似度检索。
3. 图构建 (GraphRAG) – 提取命名实体（聚合物、单体、合成方法、性质），进行规范化后链接成异构图（节点 = 实体，边 = “催化”、 “具有降解速率”等关系）。
4. 检索 + 生成循环 –
   • 首先由 LLM 处理用户查询，以决定使用向量检索、图遍历或两者结合。
   • 检索到的段落（VectorRAG）或子图（GraphRAG）作为上下文输入 LLM，随后 LLM 生成答案，并自动插入指向源段落/节点的引用。
5. 评估 – 通过精确率/召回率衡量检索质量，由高分子化学家评判相关性，并与缺乏领域检索的现成 LLM 进行对比。

结果与发现

• GraphRAG 在提供精确、可追溯的答案方面表现突出，因为图结构强制使用一致的术语并支持多步逻辑跳转（例如，“使用酶 X 合成的 PHA → 更高的结晶度 → 降解速度更慢”）。
• VectorRAG 能捕获更广泛的相关段落，适用于查询范围较大或图中缺少特定关系的情况。
• 专业化学家确认系统的答案依据充分，常能揭示出（例如单体组成与生物降解速率之间的相关性）人工难以发现的模式。

实际意义

• 面向开发者的 API – 这些流水线可以封装为微服务（通过 FAISS 进行向量检索，通过 Neo4j 或轻量级 RDF 存储进行图查询），并可从任何语言模型后端调用。
• 加速研发 – 材料科学家可以查询助手，快速比较合成路线、属性趋势或监管数据，无需翻阅数十份 PDF。
• 可信 AI – 通过强制 LLM 引用确切的段落或图节点，系统降低了幻觉风险，这对科学决策至关重要。
• 领域可迁移性 – 通过更换语料库并更新实体模式，同一架构可重新用于其他材料领域（例如电池电解质、金属合金）。
• 成本效益 – 由于主要工作由相对较小的开源 LLM（如 LLaMA‑2）加本地检索完成，组织可以避免对专有模型的昂贵 API 调用，同时仍能提供高质量答案。

限制与未来工作

• 覆盖空白 – 知识图谱依赖实体抽取的质量；罕见或新造的术语可能被遗漏，从而限制 GraphRAG 的召回率。
• 可扩展性 – 虽然当前语料库约为 1 k 篇论文，若要扩展到数百万文档则需要更复杂的索引和分布式图存储。
• 动态更新 – 实时（近实时）加入新发表的论文仍是一个未解决的挑战；作者建议使用增量嵌入和图更新流水线。
• 用户交互 – 系统目前只提供单轮回答；未来工作包括多轮对话和交互式图谱探索工具。

Bottom line: 通过将密集向量检索与面向领域的知识图谱相结合，这项工作展示了一条通向可信、基于文献的高分子科学 AI 助手的实用路径——并为任何希望将专家知识嵌入产品的技术团队提供了可复用的蓝图。

作者

• Sonakshi Gupta
• Akhlak Mahmood
• Wei Xiong
• Rampi Ramprasad

论文信息

• arXiv ID: 2602.16650v1
• 分类: cs.CE, cs.AI
• 发表时间: 2026年2月18日
• PDF: 下载 PDF