北京
美国能源部(DOE)阿贡国家实验室的工程师们公布了一份开创性的研究论文，详细介绍了生成式人工智能(GenAI)如何改善核电站等高度复杂系统的决策过程。
工程师们将基于物理的诊断工具与大型语言模型(LLM)相结合，开发了一种新的方法来增强复杂系统故障诊断的可解释性。该解决方案不仅可以检测故障，还可以对所识别故障的根本原因和意义进行解释。
这项由美国能源部核能办公室资助的新研究旨在提供清晰易懂的关键诊断信息，使核电站操作员能够更有效地识别和解决问题。
阿贡国家实验室工厂分析与控制与传感器部门的经理Rick Vilim说:“该系统有可能加强对我们核工作人员的培训，并简化操作和维护任务。”
核电站诊断工具的可解释性对于使操作人员能够发现故障、了解其原因和影响并采取适当行动，从而提高安全性和效率至关重要。
“在核电站这样的环境中，操作员必须做出明智的决定，理解和信任提供的诊断信息的能力至关重要。仅仅被告知有问题是不够的，重要的是要了解它为什么是错的，以及如何错的，尤其是要采取最有效的纠正措施。”
纯数据驱动的方法可以帮助工程师识别故障，但它们可能无法提供有用的可解释性。基于物理的工具提供了一个更有效的解决方案，通过绘制系统内固有的因果关系来突出不同组件和条件如何相互作用。
将该工具与LLM相结合，有助于将技术细节转化为核电站运营商清晰易懂的解释。LLM在处理关于系统的任意查询时也很有用。然而，美国国家实验室的研究人员警告说，必须注意限制LLM模型，以确保它不会提供误导或不正确的信息。
虽然LLM可以提供关于诊断的有价值的见解，但他们只有在接受训练的数据质量和应用于反应的约束条件下才能做到这一点。保障措施，例如实施严格的验证过程，可以帮助确保LLM提供有价值的信息，而不会引入可能影响工厂操作的错误。
阿贡的工程师们在他们的研究中结合了三个要素：一个名为PRO-AID(自动识别和诊断的无参数推理算子)的阿贡诊断工具，一个符号引擎和一个LLM。
PRO-AID的工作原理是将来自设施的实时数据与预期的正常行为进行比较。任何异常都会被突出显示并进行分析，以确定是否存在故障。PRO-AID是基于模拟工厂要素的模型，以及它们在正常条件下的行为。如果存在不匹配，PRO-AID根据不匹配提供故障的概率分布。
符号引擎作为LLM和PRO-AID之间的中介，确保准确可靠的诊断信息。它根据预定义的规则和逻辑结构过滤和验证数据以控制输出。
该系统在阿贡国家实验室的机械工程测试环路设施(METL)进行了测试，该设施是美国最大的液态金属测试设施。该设施用于测试为先进的钠冷却核反应堆设计的部件。该系统成功诊断出传感器故障，并使用自然语言对问题进行了解释。研究人员得出结论，该系统可以为核电站操作员提供可靠且易于理解的故障诊断解释。
阿贡国家实验室在各个科学领域都处于尖端研究的前沿。从利用机器学习方法发现太阳能电池的新材料，到利用人工智能算法证明稀有物质的存在，阿贡国家实验室的研究人员正在利用人工智能的力量推进科学研究和发现。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
