人工智能和机器学习方法在材料科学领域已经被广泛应用，成功加速了新材料发现和材料关键性能提升。然而，其成功在很大程度上依赖于高质量结构化数据和特征工程，对研究人员的专业知识提出了极高的要求。基于Transformer架构的大语言模型，通过大规模数据、庞大的神经网络、自监督学习和强大的硬件，展现出通用智能能力，并为直接利用历史文本知识，转变传统机器学习驱动的材料研究方式提供了崭新的途径。

北京科技大学提出了一种基于大语言模型的从海量历史文本知识中定量预测材料性能的端到端策略，该策略由材料自然语言编码器SteelBERT和多模态深度学习框架组成，以成分和工艺文本为输入，定量预测力学性能。其中，SteelBERT在包含约420万篇材料科学相关摘要和5.5万篇钢铁材料文献全文上预训练，将化学元素、制备加工工艺等钢铁知识的准确表示为上下文感知向量，通过深度学习框架成功预测了文献中新报道的18种不同钢种、不同工艺路线下的材料力学性能。通过在实验室特定钢种的小样本数据（64个数据集）上微调，进一步提升了屈服强度、极限抗拉强度和延伸率的决定系数（R²）。通过优化钢铁工艺流程，成功制备出新型不锈钢，超越了该体系下已报道同类不锈钢的综合力学性能。上述成果发表在Acta Materialia期刊上，同时开发了在线Web应用软件工具，欢迎引用和使用。