Metal-organic frameworks (MOFs) offer several characteristics such as porosity and tunability, making them valuable in diverse applications like sensors and adsorption. For synthesizing MOFs with desired properties, it is important to find out the structure-property relationship. Up until now, we have explored this relationship through a machine learning model trained on simulation data. However, simulation data has limitations as it is derived from various assumptions. Because of this, it is necessary to train the model using experimental data, but it is difficult to collect experimental data. In this thesis, we employed a large language model for comprehensive data mining to address this issue. This approach involved simultaneously extracting overall properties and synthesis conditions from both tables and text in papers. The results confirmed a high accuracy of data mining with an F1 score of 0.9 or above.
금속 유기 골격체는 다공성이나 조정 가능성과 같은 여러 특성들을 통해 센서나 흡착과 같이 다양한 분야에 사용되고 있다. 원하는 특성을 가지는 금속 유기 골격체를 합성하기 위해서는 구조-특성 관계를 찾아내는 것이 중요하다. 이제까지는 시뮬레이션 데이터를 학습한 머신 러닝 모델을 통해 이 관계를 탐구했지만 시뮬레이션 데이터는 여러 가정을 통해 얻은 값이라는 한계를 가지고 있다. 이 때문에 실험 데이터를 이용해 모델을 학습시킬 필요가 있는데 실험 데이터는 수집하기 어렵다는 문제를 가지고 있다. 이 문제를 해결하기 위해 본 학위논문에서는 대규모 언어 모델을 이용한 포괄적인 데이터 마이닝을 진행해보았다. 이 접근법은 논문에 있는 모든 표와 텍스트에서 전반적인 특성과 합성 조건 정보를 동시에 추출한다. 그 결과 0.9 이상의 F1 점수를 가지는 높은 정확도로 데이터 마이닝이 되는 것을 확인할 수 있었다.