🤖 AI

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

Este artículo presenta un marco de trabajo que aprovecha la Generación Aumentada por Recuperación y los Modelos de Lenguaje de Gran Escala para construir automáticamente modelos de Lógica Maestra Dinámica basados en grafos y escalables a partir de documentación técnica, permitiendo así el razonamiento de diagnóstico automatizado y el análisis de fiabilidad para sistemas complejos como los sistemas de seguridad de reactores nucleares.

Autores originales: Saman Marandi, Yu-Shu Hu, Mohammad Modarres

Publicado 2026-08-13

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Saman Marandi, Yu-Shu Hu, Mohammad Modarres

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de entender cómo funciona una máquina gigante y compleja, como una nave espacial o una planta nuclear. Normalmente, los ingenieros tienen que dibujar mapas masivos y complicados llamados "Árboles de Fallos" para determinar qué sucede si algo se rompe. Estos mapas son como mirar un bosque e intentar comprender todo el ecosistema estudiando únicamente las hojas caídas y las ramas rotas individuales. Son excelentes para problemas conocidos, pero si ocurre un fallo nuevo y extraño que nadie había previsto, estos mapas suelen fallar porque solo buscan escenarios de desastre específicos y preescritos.

Para solucionar esto, los científicos utilizan algo llamado "Modelado Funcional". En lugar de simplemente enumerar piezas rotas, mapean lo que la máquina debería hacer. Es como entender un coche no por listar cada tornillo roto, sino entendiendo que el trabajo del motor es convertir el combustible en movimiento, y el trabajo de las ruedas es convertir ese movimiento en desplazamiento. Si conoces las funciones, puedes averiguar qué sucede si el combustible se detiene, incluso si nunca has visto ese problema exacto antes. El artículo que vas a leer aborda un enorme obstáculo en este campo: la creación automática de estos "mapas de funciones". Hasta ahora, construir estos mapas requería que expertos humanos leyeran miles de páginas de manuales técnicos y dibujaran manualmente las conexiones, un proceso que toma meses y es difícil de escalar para sistemas gigantes.

La Gran Idea del Artículo: Enseñando a la IA a Dibujar el Plano

Este artículo presenta una nueva y astuta forma de construir estos "mapas de funciones" (llamados modelos de Lógica Maestra Dinámica o DML) utilizando Inteligencia Artificial, específicamente Modelos de Lenguaje Extensos (LLM) y una técnica llamada Generación Aumentada por Recuperación (RAG). Piensa en el LLM como un pasante superinteligente y de lectura rápida que se ha leído toda la biblioteca de manuales de ingeniería. Sin embargo, este pasante tiene un mal hábito: a veces inventa cosas o se confunde cuando la historia se vuelve demasiado larga. Para solucionar esto, los autores le dieron al pasante un conjunto estrico de reglas y un "motor de búsqueda" (RAG) que lo obliga a consultar la página específica del manual que es relevante para la tarea antes de escribir nada.

El resultado es un sistema que lee automáticamente la documentación técnica y construye un "Grafo de Conocimiento" (una red digital de conexiones) que se ve exactamente igual a los mapas dibujados por expertos. Los autores probaron esto en el sistema de Inyección de Refrigerante de Baja Presión (LPCI) de una planta nuclear fuera de servicio. Este sistema es una red de seguridad diseñada para inundar el reactor con agua si este se calienta demasiado. Es complejo, con bombas, válvulas y tuberías trabajando juntas de formas específicas.

Cómo Ocurre la Magia: El Chef Capa por Capa

Los autores no se limitaron a pedirle a la IA: "Dibuja todo el mapa". Eso sería como pedirle a un chef que cocine un menú de diez platos en una sola frase. En su lugar, dividieron el trabajo en capas, como construir una casa desde el tejado hasta los cimientos.

La Búsqueda: El sistema comienza con un objetivo de alto nivel, como "Mantener el reactor frío". Busca en los manuales las secciones específicas que hablan de este objetivo.
La Extracción: La IA lee esas secciones y pregunta: "¿Qué funciones son necesarias para lograr esto?". Encuentra respuestas como "Bombear agua" o "Abrir válvulas".
La Conexión: Luego, toma esas nuevas funciones y busca nuevamente en los manuales para encontrar las partes específicas (componentes) que realizan el trabajo.
El Grafo: Finalmente, une todas estas piezas en un grafo digital (un Grafo de Conocimiento) donde cada nodo es una pieza o una función, y cada línea es una regla lógica (como "Y" u "O") que las conecta.

El artículo muestra que este método funciona sorprendentemente bien. Cuando ejecutaron el sistema cinco veces sobre la misma documentación de la planta nuclear, construyeron el mapa con una consistencia increíble. Para los objetivos generales y las funciones principales, la IA lo obtuvo correctamente el 100% de las veces. Incluso en el nivel detallado de componentes específicos (como válvulas individuales), fue correcta aproximadamente el 98% de las veces.

El "Puntaje de Integridad": ¿Qué tan bueno es el Mapa?

Para asegurarse de que la IA no estuviera simplemente adivinando, los autores crearon un sistema de puntuación especial llamado "Puntaje de Integridad". Imagina que estás calificando la tarea de un estudiante. No solo revisas si las respuestas son correctas; revisas si toda la historia tiene sentido. Si el estudiante omite un paso clave en medio, toda la respuesta se desmorona.

Los autores descubrieron que la forma en que alimentaban la información a la IA importaba. Si le pedían a la IA que procesara demasiadas partes a la vez (un "tamaño de lote" o batch size grande), la calidad del mapa descendía ligeramente. Era como pedirle al chef que picara todas las verduras para toda la comida a la vez; podría saltarse algunas. Cuando le pedían a la IA que hiciera un pequeño paso a la vez (un tamaño de lote de 1), el mapa era más preciso, aunque tardaba más en construirse. El mejor equilibrio que encontraron fue procesar cinco pasos a la vez, lo que mantenía el mapa muy preciso (con un puntaje de alrededor de 89 sobre 100) sin tardar demasiado.

Lo que el Mapa Puede Hacer: El Detective y el Planificador

Una vez construido el mapa, este se convierte en una herramienta poderosa para dos cosas principales:

Propagación Ascendente (El Detective): Si una válvula específica se rompe, puedes preguntarle al sistema: "¿Qué le pasa a toda la planta?". El sistema rastrea el fallo hacia arriba en la escala. Podría decir: "Si esta válvula falla, la bomba no puede funcionar, lo que significa que la función de enfriamiento falla y el reactor podría sobrecalentarse". Esto lo hace siguiendo las reglas lógicas que la IA construyó en el mapa.
Propagación Descendente (El Planificador): También puedes preguntar: "¿Cómo mantenemos el reactor frío?". El sistema mira hacia abajo en la escala y dice: "Necesitas que la bomba funcione, lo cual requiere que la válvula esté abierta Y que la energía esté encendida". Encuentra todas las diferentes formas de lograr un objetivo, mostrándote los planes de respaldo (redundancia) que tiene el sistema.

La Captura: Lo que el Artículo Dice y No Dice

Los autores son cuidadosos de no afirmar que esto es un producto perfecto y terminado. Expresan explícitamente que, si bien la IA es excelente leyendo los manuales y dibujando las conexiones, no "entiende" la física de la misma manera que un experto humano. El mapa es una representación del texto, no necesariamente una simulación perfecta de la realidad.

Por ejemplo, el artículo señala que el sistema tiene dificultades mínimas con las partes más congestionadas y complejas del mapa (donde se conectan muchas válvulas y tuberías). Podría omitir una o dos conexiones de entre cientos. Además, el sistema no sabe automáticamente sobre los "Fallos de Causa Común" (situaciones donde dos piezas diferentes fallan al mismo tiempo debido a una causa oculta, como un lote de fabricación defectuoso o una sobrecarga eléctrica compartida). La IA puede señalar estos casos como posibilidades durante una conversación, pero no los construye dentro de la lógica central del mapa.

El artículo también descarta la idea de que esto reemplaza a los expertos humanos. En cambio, sugiere que esta herramienta es un "multiplicador de fuerza". Toma una tarea que usualmente le toma a los expertos humanos meses de lectura y dibujo, y la reduce a unos pocos días. El experto humano interviene entonces para revisar el trabajo de la IA, detectando esos pocos enlaces faltantes y asegurando que el mapa sea verdaderamente seguro.

La Conclusión

Este artículo sugiere que ahora podemos usar la IA para convertir pilas de manuales técnicos aburridos y complejos en mapas lógicos e interactivos que nos ayuden a entender cómo funcionan las máquinas gigantes y qué sucede cuando se rompen. No es una varita mágica que resuelve todos los problemas de ingeniería instantáneamente, pero es una nueva herramienta poderosa que hace que el trabajo de mantener nuestro complejo mundo seguro sea mucho más rápido y consistente. Los autores demuestran que, con la estrategia adecuada de "búsqueda y verificación", la IA puede aprender a hablar el lenguaje de la lógica de la ingeniería, convirtiendo el texto en un plano vivo y funcional para la seguridad.

Resumen Técnico: Construcción Automatizada de Modelos de Lógica Maestra Dinámicos como Grafos de Conocimiento

Planteamiento del Problema
Los sistemas diseñados modernos son cada vez más complejos, lo que requiere modelos de diagnóstico que capturen con precisión las interacciones y dependencias a través de múltiples niveles de abstracción. Los enfoques tradicionales basados en eventos, como el Análisis de Árbol de Fallos (FTA) y el Análisis de Árbol de Eventos (ETA), dependen de secuencias de fallos predefinidas. Aunque son efectivos para fallos conocidos, estos métodos son inherentemente incompletos cuando las secuencias de fallos no son anticipadas y se vuelven imposibles de rastrear a medida que la complejidad del sistema crece.

El modelado funcional ofrece una alternativa al centrarse en los objetivos del sistema y en cómo estos se realizan mediante las interacciones de los componentes. La Lógica Maestra Dinámica (DML) es un marco jerárquico que vincula los objetivos funcionales con los elementos estructurales (hardware, software, acciones humanas) utilizando relaciones lógicas explícitas. Sin embargo, la construcción de modelos DML ha dependido históricamente de la interpretación manual por parte de expertos de documentación técnica extensa. Este proceso limita la escalabilidad y dificulta la aplicación de representaciones funcionales a sistemas grandes y densos en documentos. Además, aunque los Modelos de Lenguaje de Gran Escala (LLM) muestran potencial en la interpretación semántica, sufren de alucinaciones, razonamiento inconsistente y una falta de estructura persistente, lo que los hace poco fiables para generar las representaciones estructuradas y explícitas requeridas para un diagnóstico de ingeniería riguroso sin aumentación.

Metodología
El estudio propone un marco para la construcción automatizada de modelos DML a partir de la documentación del sistema, representándolos como Grafos de Conocimiento (KG-DML). El enfoque aprovecha la Generación Aumentada por Recuperación (RAG) y los LLM para cerrar la brecha entre el texto no estructurado y la lógica funcional estructurada.

Preprocesamiento y Embedding de Documentos: La documentación del sistema se estandariza para normalizar los identificadores de los componentes y resolver ambigüedades. El texto se segmenta en fragmentos superpuestos (1,500 caracteres) y se integra en un almacén de vectores para soportar la recuperación basada en similitud.
Construcción Capa por Capa: El modelo se construye secuencialmente a través de la jerarquía DML (Objetivos $\rightarrow$ $\to$ Funciones $\rightarrow$ $\to$ Subfunciones $\rightarrow$ $\to$ Componentes $\rightarrow$ $\to$ Condiciones de Éxito).
- En cada capa, se construye una consulta de recuperación utilizando la definición semántica de la capa actual y los elementos padres identificados en la etapa anterior.
- Se recuperan los $K$ fragmentos de documentos más relevantes y se proporcionan al LLM junto con un esquema JSON predefinido.
- El LLM genera elementos candidatos y relaciones lógicas (puertas AND/OR) restringidos por el esquema.
- Los elementos validados se añaden a una representación JSON maestra, que sirve como contexto para la recuperación de la siguiente capa.
Síntesis del Grafo de Conocimiento: El JSON validado se convierte en consultas Cypher para poblar una base de datos de grafos Neo4j. Este proceso maneja explícitamente las estructuras de puertas booleanas anidadas, creando nodos de puertas intermedias para preservar las dependencias lógicas multinivel sin aplanar la jerarquía.
Marco de Evaluación: Se introduce una metodología de validación multinivel para evaluar el KG-DML construido:
- Métricas a Nivel de Elemento: Se calculan la precisión, la exhaustividad (recall) y las puntuaciones $F_2$ para cada capa jerárquica, donde $F_2$ enfatiza la exhaustividad para penalizar los elementos faltantes.
- Consistencia Estructural: Se evalúa la precisión de los enlaces y la corrección de las puertas (lógica AND/OR).
- Puntuación de Integridad: Una métrica agregada combina las puntuaciones $F_2$ ponderadas por capa con una penalización exponencial por errores de reconstrucción estructural (nodos faltantes, enlaces, desajustes de puertas o nodos huérfanos). Esta puntuación refleja tanto la exactitud del elemento como la completitud de las rutas funcionales.
Mecanismo de Interacción: El KG-DML resultante soporta el razonamiento de diagnóstico mediante un agente LLM que actúa como capa de coordinación. El agente interpreta las consultas del usuario e invoca herramientas deterministas basadas en grafos para:
- Propagación Ascendente: Rastrear las consecuencias de los fallos desde los componentes hacia los objetivos del sistema.
- Propagación Descendente: Identificar rutas mínimas de éxito desde los objetivos hacia los componentes.
- Consultas Explicativas: Recuperar relaciones estructurales mediante Graph-RAG.

Contribuciones Clave

Marco de Construcción Automatizada: Introduce un método escalable para la extracción de modelos funcionales a partir de documentación de ingeniería no estructurada utilizando RAG y LLM, yendo más allá de los procesos manuales de expertos requeridos previamente para DML.
Extensión a Sistemas Complejos: Extiende la investigación previa de pequeña escala a sistemas sustancialmente mayores y densos en documentos (demostrado en un sistema de seguridad de un Reactor de Agua en Ebullición), abordando el desafío de la consistencia jerárquica en la extracción a gran escala.
Evaluación Estructurada: Desarrolla un marco de evaluación riguroso y multinivel que combina la exactitud específica de la capa con una puntuación de integridad agregada para evaluar la completitud estructural y la consistencia lógica, abordando las brechas en las metodologías de evaluación previas.
Representación Ejecutable de KG-DML: Entrega un Grafo de Conocimiento legible por máquina que preserva la estricta descomposición jerárquica y la lógica de éxito de la DML, permitiendo un razonamiento de diagnóstico determinista en lugar de depender únicamente del conocimiento generalizado de los LLM.

Resultados
El marco fue aplicado al sistema de Inyección de Refrigerante de Baja Presión (LPCI) de un Reactor de Agua en Ebullición fuera de servicio.

Consistencia: El modelo demostró una reconstrucción consistente a través de cinco ejecuciones independientes. Las capas de nivel superior (Objetivos, Funciones, Subfunciones) alcanzaron una precisión y exhaustividad perfectas ( $F_2 = 1.0$ ).
Granularidad: Ocurrieron desviaciones menores en las capas de Componentes y Condiciones de Éxito, donde la exhaustividad disminuyó ligeramente ( $F_2$ entre 0.978 y 0.993), resultando en aproximadamente 1 a 6 nodos omitidos por ejecución.
Integridad Estructural: La precisión de los enlaces fue alta para las relaciones de nivel superior, pero mostró variabilidad en la capa de Subfunción-Componente debido a una mayor densidad estructural. La exactitud de las puertas osciló entre 0.889 y 0.963 en esta capa.
Compromiso de Lote (Batching): Un análisis de la puntuación de integridad reveló un compromiso entre el tamaño del lote y la estabilidad estructural. Un tamaño de lote de 1 (procesar un elemento padre a la vez) produjo la puntuación de integridad media más alta (90.38), mientras que los lotes más grandes (hasta 15) mostraron una disminución gradual en el rendimiento, lo que sugiere que aislar los pasos de expansión mejora la estabilidad estructural.
Capacidades de Diagnóstico: El sistema realizó con éxito la propagación ascendente para rastrear los impactos de los fallos en los objetivos del sistema y la propagación descendente para enumerar las rutas de éxito, incluyendo anotaciones cualitativas para posibles Fallos de Causa Común (CCF) entre componentes redundantes.

Significancia y Reivindicaciones
El artículo afirma que el marco propuesto transforma la documentación técnica en modelos funcionales ejecutables, reduciendo significativamente el esfuerzo manual requerido para la construcción de DML (de meses a días) manteniendo una alta exactitud estructural. La significancia no reside en el uso individual de RAG, LLM o bases de datos de grafos, sino en su integración en un marco coherente y restringido por esquemas que permite un razonamiento de diagnóstico fundamentado.

Los autores enfatizan que el marco está diseñado para apoyar en lugar de reemplazar el modelado experto. El KG-DML resultante proporciona una representación del conocimiento explícita que permite a los agentes LLM razonar sobre las dependencias funcionales y la propagación de fallos con trazabilidad, superando las limitaciones del razonamiento no estructurado de los LLM. El estudio reconoce que, si bien el enfoque es robusto para el sistema probado, se necesita más validación para sistemas más grandes, y que la implementación actual maneja los Fallos de Causa Común de forma cualitativa en lugar de modelarlos explícitamente dentro de la lógica del grafo. El trabajo establece una base para el modelado funcional automatizado y escalable en la ingeniería de fiabilidad.