Constructing Dynamic Master Logic Models as Knowledge Graphs for Complex System Diagnostics Using Retrieval-Augmented Large Language Models

تخيل أنك تحاول فهم كيفية عمل آلة ضخمة ومعقدة، مثل سفينة فضاء أو محطة طاقة نووية. عادةً، يضطر المهندسون إلى رسم خرائط ضخمة ومعقدة تسمى "أشجار الأعطال" لمعرفة ما يحدث إذا تعطل شيء ما. هذه الخرائط تشبه النظر إلى غابة ومحاولة فهم النظام البيئي بأكło عبر دراسة الأوراق المتساقطة والأغصان المكسورة فقط. إنها رائعة للمشاكل المعروفة، ولكن إذا حدث عطل جديد وغريب لم يتوقعه أحد، فإن هذه الخرائط غالباً ما تفشل لأنها تبحث فقط عن سيناريوهات كوارث محددة مكتوبة مسبقاً.

لحل هذه المشكلة، يستخدم العلماء شيئاً يسمى "النمذجة الوظيفية". بدلاً من مجرد سرد الأجزاء المعطلة، يقومون برسم ما يُفترض أن تفعله الآلة. الأمر يشبه فهم السيارة ليس من خلال سرد كل مسمار مكسور، بل من خلال فهم أن وظيفة المحرك هي تحويل الوقود إلى حركة، ووظيفة العجلات هي تحويل تلك الحركة إلى تنقل. إذا كنت تعرف الوظائف، يمكنك معرفة ما سيحدث إذا توقف الوقود، حتى لو لم تكن قد رأيت هذه المشكلة بالتحديد من قبل. يتناول البحث الذي ستطالعه الآن عقبة كبيرة في هذا المجال: وهي جعل بناء هذه "خرائط الوظائف" عملية تلقائية. حتى الآن، كان بناء هذه الخرائط يتطلب خبراء بشريين يقرؤون آلاف الصفحات من الكتيبات التقنية ويرسمون الروابط يدوياً، وهي عملية تستغرق شهوراً ويصعب تطبيقها على الأنظمة العملاقة.

---

الفكرة الكبرى للبحث: تعليم الذكاء الاصطناعي رسم المخطط

يقدم هذا البحث طريقة ذكية لبناء هذه "خرائط الوظائف" (المسماة نماذج المنطق الرئيسي الديناميكي أو DML) باستخدام الذكاء الاصطناعي، وتحديداً النماذج اللغوية الكبيرة (LLMs) وتقنية تسمى "التوليد المعزز بالاسترجاع" (RAG). فكر في النموذج اللغوي الكبير كمتدرب ذكي وسريع القراءة قرأ مكتبة كاملة من الكتيبات الهندسية. ومع ذلك، لهذا المتدرب عادة سيئة: أحياناً يختلق أشياء من خياله أو يرتبك عندما يصبح النص طويلاً جداً. ولإصلاح ذلك، أعطاه المؤلفون مجموعة صارمة من القواعد و"محرك بحث" (Rally RAG) يجبره على النظر إلى الصفحة المحددة من الدليل ذات الصلة بالمهمة قبل أن يكتب أي شيء.

والنتيجة هي نظام يقرأ الوثائق التقنية تلقائياً ويبني "رسم بياني للمعرفة" (شبكة رقمية من الروابط) تبدو تماماً مثل الخرائط التي يرسمها الخبراء. اختبر المؤلفون هذا النظام على نظام حقن مبرد الضغط المنخفض (LPCI) في محطة طاقة نووية خارج الخدمة. هذا النظام هو شبكة أمان مصممة لإغراق المفاعل بالمياه إذا ارتفدت حرارته. إنه نظام معقد، يضم مضخات وصمامات وأنابيب تعمل معاً بطرق محددة.

كيف يحدث السحر: الطاهي الذي يعمل طبقة تلو الأخرى

لم يكتفِ المؤلفون بسؤال الذكاء الاصطناعي: "ارسم الخريطة كاملة". سيكون ذلك مثل طلب طهي وجبة من عشر حصص من جملة واحدة. بدلاً من ذلك، قاموا بتقسيم المهمة إلى طبقات، مثل بناء منزل من السقف وصولاً إلى الأساس.

1. البحث: يبدأ النظام بهدف رفيع المستوى، مثل "الحفاظ على تبريد المفاعل". ثم يبحث في الكتيبات عن الأقسام المحددة التي تتحدث عن هذا الهدف.
2. الاستخراج: يقرأ الذكاء الاصطناعي تلك الأقسام ويسأل: "ما هي الوظائف المطلوبة لتحقيق هذا؟" فيجد إجابات مثل "ضخ المياه" أو "فتح الصمامات".
3. الربط: بعد ذلك، يأخذ تلك الووظائف الجديدة ويبحث في الكتيبات مرة أخرى ليجد الأجز (المكونات) المحددة التي تقوم بالعمل.
4. الرسم البياني: أخيراً، يقوم بربط كل هذه القطع معاً في رسم بياني رقمي (رسم بياني للمعرفة) حيث يكون كل عقدة عبارة عن جزء أو وظيفة، وكل خط هو قاعدة منطقية (مثل "و" أو "أو") تربط بينهما.

يظهر البحث أن هذه الطريقة تعمل بشكل جيد بشكل مدهش. فعندما قاموا بتشغيل النظام خمس مرات على وثائق نفس المحطة النووية، بنى الخريطة باتساق مذهل. بالنسبة للأهداف الكبرى والوظائف الرئيسية، أصاب الذكاء الاصطناعي بنسبة 100% في كل مرة. وحتى عند المستوى التفصيلي للمكونات المحددة (مثل الصمامات الفردية)، كان صحيحاً بنسبة 98% من الوقت.

"درجة النزاهة": ما مدى جودة الخريطة؟

للتأكد من أن الذكاء الاصطناعي لم يقم بمجرد التخمين، أنشأ المؤلفون نظام تقييم خاصاً يسمى "درجة النزاهة". تخيل أنك تصحح واجبات طالب؛ أنت لا تتحقق فقط مما إذا كانت الإجابات صحيحة، بل تتحقق مما إذا كانت القصة بأكملها منطقية. إذا فات الطالب خطوة رئيسية في المنتصف، فإن الإجابة بأكملها تنهار.

وجد المؤلفون أن الطريقة التي يتم بها تغذية المعلومات للذكاء الاصطناعي كانت مهمة. إذا طلبوا من الذكاء الاصطناعي معالجة أجزاء كثيرة جداً في وقت واحد (حجم دفعة كبير)، فإن جودة الخريطة تنخفض قليلاً. كان الأمر يشبه طلب من الطاهي تقطيع جميع الخضروات للوجبة بأكملة دفعة واحدة؛ فقد يغفل عن بعضها. وعندما طلبوا منه القيام بخطوة صغيرة واحدة في كل مرة (حجم دفعة قدره 1)، كانت الخريطة أكثر دقة، رغم أنها استغرقت وقتاً أطول للبناء. أفضل توازن وجدوه كان معالجة خمس خطوات في كل مرة، مما حافظ على دقة عالية جداً للخريطة (بدرجة تقارب 89 من 100) دون أن يستغرق الأمر وقتاً طويلاً جداً.

ما الذي يمكن أن تفعله الخريطة: المحقق والمخطط

بمجرد بناء الخريطة، تصبح أداة قوية لأمرين رئيسيين:

1. الانتشار التصاعدي (المحقق): إذا تعطل صمام معين، يمكنك سؤال النظام: "ماذا يحدث للمحطة بأكملها؟" يتتبع النظام الفشل صعوداً في السلم. قد يقول: "إذا فشل هذا الصمام، فلن تتمكن المضخة من العمل، مما يعني فشل وظيفة التبريد، وقد يسخن المفاعل". يفعل ذلك من خلال اتباع القواعد المنطقية التي بناها الذكاء الاصطناعي في الخريطة.
2. الانتشار التنازلي (المخطط): يمكنك أيضاً أن تسأل: "كيف نحافظ على تبريد المفاعل؟" ينظر النظام للأسفل في السلم ويقول: "تحتاج إلى عمل المضخة، وهذا يتطلب أن يكون الصمام مفتوحاً وأن تكون الطاقة تعمل". إنه يجد جميع الطرق المختلفة لتحقيق الهدف، موضحاً لك خطط النسخ الاحتياطي (التكرار) التي يمتلكها النظام.

التنبيه: ما يقوله البحث وما لا يقوله

يحرص المؤلفون على عدم الادعاء بأن هذا منتج مثالي ونهائي. فقد ذكروا صراحة أنه بينما يتفوق الذكاء الاصطناعي في قراءة الكتيبات ورسم الروابط، إلا أنه لا "يفهم" الفيزياء بالطريقة التي يفهمها الخبير البشري. فالخريطة هي تمثيل للنص، وليست بالضرورة محاكاة مثالية للواقع.

على سبيل المثال، يشير البحث إلى أن النظام يعاني قلي القليل في الأجز الأكثر ازدحاماً وتعقيداً في الخريطة (حيث تتصل العديد من الصمامات والأنابيب). قد يفتقد واحداً أو اثنين من الروابط من بين المئات. أيضاً، لا يعرف النظام تلقائياً "إخفاقات السبب المشترك" — وهي الحالات التي تفشل فيها قطعتان مختلفتان في نفس الوقت بسبب سبب خفي مشترك، مثل دفعة تصنيع سيئة أو ارتفاع مفاجئ مشترك في التيار الكهربائي. يمكن للذكاء الاصطناعي الإشارة إلى هذه الحالات كاحتمالات أثناء المحادثة، لكنه لا يبنيها في المنطق الأساسي للخريطة.

كما ينفي البحث فكرة أن هذا يحل محل الخبراء البشريين. بدلاً من ذلك، يقترح أن هذه الأداة هي "مضاعف قوة". فهي تأخذ مهمة تستغرق عادةً من الخبراء البشريين شهوراً من القراءة والرسم وتختصرها إلى بضعة أيام. ثم يتدخل الخبير البشري لمراجعة عمل الذكاء الاصطناعي، لضبط تلك الروابط المفقودة القليلة والتأكد من أن الخريطة آمنة حقاً.

الخلا الخلاصة

يشير هذا البحث إلى أنه يمكننا الآن استخدام الذكاء الاصطناعي لتحويل أكوام من الكتيبات التقنية المملة والمعقدة إلى خرائط تفاعلية ومنطقية تساعدنا على فهم كيفية عمل الآلات الضخمة وما يحدث عندما تتعطل. إنها ليست عصا سحرية تحل كل مشكلة هندسية فوراً، لكنها أداة جديدة قوية تجعل مهمة الحفاظ على سلامة عالمنا المعقد أسرع وأكثر اتساقاً. يوضح المؤلفون أنه مع استراتيجية "البحث والتحقق" الصحيحة، يمكن للذكاء الاصطناعي تعلم التحدث بلغة المنطق الهندسي، محولاً النصوص إلى مخطط حي ونابض بالأمان.