본 논문은 데이터 기반 소재 설계 발전을 위해 과학 문헌에서 고품질의 구조화된 정보를 추출하는 방법을 제시합니다. 다중 주요 원소 합금의 기계적 특성 추출을 중심으로, MatSciBERT 기반 엔티티 추출 모델, 포인터 네트워크, 그리고 엔티티 간/내부 어텐션을 활용한 할당 모델을 결합한 새로운 프레임워크를 제안합니다. 실험 결과, 1, 2, 3, 4개 튜플을 포함하는 데이터셋에서 각각 0.963, 0.947, 0.848, 0.753의 F1 점수를 달성하여 모델의 효과성을 확인하였고, 임의로 구성된 데이터셋에서도 0.854의 F1 점수를 기록했습니다. 이는 대규모 언어 모델에 대한 강력한 대안을 제시하며, 데이터 기반 혁신을 위한 필수 데이터를 연구자에게 제공합니다.
