一种基于大语言模型的新污染物全氟化合物吸附材料设计方法技术

本发明专利技术公开了一种基于大语言模型的新污染物全氟化合物吸附材料设计方法，首先构建融合结构化知识图谱和向量化语义检索的混合检索增强生成框架；然后利用大语言模型框架构建了面向PFAS吸附材料的领域知识图谱和语义表示的大语言模型；再通过大语言模型生成初始材料设计框架，结合机器学习模型对材料结构进行迭代调整，预测并生成性能优化的PFAS吸附材料；最后基于知识图谱推理与向量存储信息，结合分子结构信息，推荐PFAS吸附材料合成与验证的实验路径。本发明专利技术构建知识图谱和语义模型实现领域知识的自动提取与系统化并通过数据推理生成可解释设计规则，通过LLM与ML结合自动生成优化代码及推荐实验路径加速材料设计迭代、缩短实验周期并提供可靠筛选方案。

【技术实现步骤摘要】

本专利技术涉及环境治理与材料科学，尤其是涉及一种基于大语言模型的新污染物全氟化合物吸附材料设计方法。

技术介绍

1、全氟化合物（pfas）作为一种环境持久性有机污染物，广泛应用于防水、抗污材料制造等工业过程，但其难以降解且可通过水源、空气等途径传播，对环境和生物体健康构成严重威胁，开发高效pfas吸附材料成为环保领域重要方向。然而，从大量候选材料中筛选兼具优异吸附性能与合成可行性的材料仍是巨大挑战。

2、现有吸附材料研究多依赖传统实验方法，通过合成多种材料并通过实验测试其吸附性能评估效果，存在高实验成本、时间长、重复性差且缺乏系统理论指导、难以有效预测材料性能等问题。近年来机器学习在吸附材料设计中应用逐步受到重视，研究人员基于已知材料数据如孔隙度、表面功能团等训练模型预测吸附性能，例如使用决策树、随机森林等算法，但面对复杂化学体系时，无法处理大量非结构化文献数据且模型可解释性较差。

3、结合知识图谱（kg）和语义检索（vector rag）的方法在多个领域得到应用，通过构建特定领域知识图谱并结合向量检索处理和表示结构化与非结构化知识本文档来自技高网...

【技术保护点】

1.一种基于大语言模型的新污染物全氟化合物吸附材料设计方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于大语言模型的新污染物全氟化合物吸附材料设计方法，其特征在于，步骤1的具体步骤为：

3.根据权利要求2所述的一种基于大语言模型的新污染物全氟化合物吸附材料设计方法，其特征在于，所述实体包括材料类型、吸附机制和工艺条件；所述关系包括HasProperty、UsedInProcess和ImprovesPerformance。

4.根据权利要求1所述的一种基于大语言模型的新污染物全氟化合物吸附材料设计方法，其特征在于，步骤2的具体步骤为：...

【技术特征摘要】

1.一种基于大语言模型的新污染物全氟化合物吸附材料设计方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于大语言模型的新污染物全氟化合物吸附材料设计方法，其特征在于，步骤1的具体步骤为：

3.根据权利要求2所述的一种基于大语言模型的新污染物全氟化合物吸附材料设计方法，其特征在于，所述实体包括材料类型、吸附机制和工艺条件；所述关系包括hasproperty、usedinprocess和improvesperformance。

4.根据权利要求1所述的一种基于大语言模型的新污染物全氟化合物吸附材料设计方法，其特征在于，步骤2的具体步骤为：

5.根据权利要求4所述的一种基于大语言模型的新污染物全氟化合物吸附材料设计方法，其特征在于，步骤2-3中的所述可解释模型...

【专利技术属性】
技术研发人员：张敬申，魏源，赵明月，赵晓丽，张俊飞，杨磊，赵天勇，周昌雨，江松，段利瑜，
申请(专利权)人：黄淮实验室，
类型：发明
国别省市：