🤖 AI

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

Cet article présente un cadre qui exploite la génération augmentée par récupération et les grands modèles de langage pour construire automatiquement des modèles de logique maîtresse dynamiques, basés sur des graphes et extensibles, à partir de la documentation technique, permettant ainsi un raisonnement de diagnostic automatisé et une analyse de fiabilité pour des systèmes complexes tels que les systèmes de sécurité des réacteurs nucléaires.

Auteurs originaux : Saman Marandi, Yu-Shu Hu, Mohammad Modarres

Publié 2026-08-13

📖 8 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Saman Marandi, Yu-Shu Hu, Mohammad Modarres

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de comprendre le fonctionnement d'une machine géante et complexe, comme un vaisseau spatial ou une centrale nucléaire. Habituellement, les ingénieurs doivent dessiner des cartes massives et compliquées appelées « Arbres de défaillances » pour déterminer ce qui se passe si quelque chose casse. Ces cartes sont comme regarder une forêt et essayer de comprendre tout l'écosystème en n'étudiant que les feuilles tombées et les branches cassées individuelles. Elles sont excellentes pour les problèmes connus, mais si une panne nouvelle et étrange survient, une panne à laquelle personne n'avait pensé, ces cartes échouent souvent car elles ne recherchent que des scénarios de catastrophe spécifiques et pré-écrits.

Pour remédier à cela, les scientifiques utilisent ce qu'on appelle la « Modélisation Fonctionnelle ». Au lieu de simplement lister les pièces cassées, ils cartographient ce que la machine est censée faire. C'est comme comprendre une voiture non pas en listant chaque boulon cassé, mais en comprenant que le rôle du moteur est de transformer le carburant en mouvement, et que le rôle des roues est de transformer ce mouvement en déplacement. Si vous connaissez les fonctions, vous pouvez comprendre ce qui se passe si le carburant s'arrête, même si vous n'avez jamais vu ce problème précis auparavant. Cette publication que vous allez lire s'attaque à un obstacle majeur dans ce domaine : la création automatique de ces « cartes de fonctions ». Jusqu'à présent, construire ces cartes nécessitait que des experts humains lisent des milliers de pages de manuels techniques et dessinent manuellement les connexions, un processus qui prend des mois et est difficile à adapter pour des systèmes géants.

La grande idée de l'article : Enseigner à l'IA à dessiner le plan

Cet article présente une nouvelle méthode ingénieuse pour construire ces « cartes de fonctions » (appelées modèles de Logique Maîtresse Dynamique ou DML) en utilisant l'Intelligence Artificielle, plus précisément les Grands Modèles de Langage (LLM) et une technique appelée Génération Augmentée par Récupération (RAG). Considérez le LLM comme un stagiaire super intelligent et rapide qui a lu toute la bibliothèque des manuels d'ingénierie. Cependant, ce stagiaire a une mauvaise habitude : il invente parfois des choses ou se confond lorsque l'histoire devient trop longue. Pour corriger cela, les auteurs lui ont donné un ensemble de règles strictes et un « moteur de recherche » (RAG) qui le force à consulter la page spécifique du manuel pertinente pour la tâche avant d'écrire quoi que ce soit.

Le résultat est un système qui lit automatiquement la documentation technique et construit un « Graphe de Connaissances » (un réseau numérique de connexions) qui ressemble exactement aux cartes dessinées par des experts. Les auteurs ont testé cela sur le système d'Injection de Refroidissement à Basse Pression (LPCI) d'une centrale nucléaire déclassée. Ce système est un filet de sécurité conçu pour inonder le réacteur d'eau s'il devient trop chaud. Il est complexe, avec des pompes, des vannes et des tuyaux travaillant ensemble de manières spécifiques.

Comment la magie opère : Le chef de cuisine couche par couche

Les auteurs n'ont pas simplement demandé à l'IA : « Dessine toute la carte ». Cela reviendrait à demander à un chef de cuisiner un repas de dix services en une seule phrase. Au lieu de cela, ils ont décomposé le travail en couches, comme la construction d'une maison, du toit jusqu'aux fondations.

La Recherche : Le système commence par un objectif de haut niveau, comme « Maintenir le réacteur au frais ». Il recherche dans les manuels les sections spécifiques qui parlent de cet objectif.
L'Extraction : L'IA lit ces sections et demande : « Quelles fonctions sont nécessaires pour atteindre cela ? ». Elle trouve des réponses comme « Pomper l'eau » ou « Ouvrir les vannes ».
La Connexion : Elle prend ensuite ces nouvelles fonctions et recherche à nouveau dans les manuels pour trouver les pièces spécifiques (composants) qui effectuent le travail.
Le Graphe : Enfin, elle assemble tous ces morceaux en un graphe numérique (un Graphe de Connaissances) où chaque nœud est une pièce ou une fonction, et chaque ligne est une règle logique (comme « ET » ou « OU ») qui les connecte.

L'article montre que cette méthode fonctionne étonnamment bien. Lorsqu'ils ont fait fonctionner le système cinq fois sur la même documentation de centrale nucléaire, il a construit la carte avec une consistance incroyable. Pour les objectifs globaux et les fonctions principales, l'IA a réussi à 100 % à chaque fois. Même au niveau détaillé des composants spécifiques (comme les vannes individuelles), elle était correcte environ 98 % du temps.

Le « Score d'Intégrité » : À quel point la carte est-elle bonne ?

Pour s'assurer que l'IA n'a pas simplement deviné, les auteurs ont créé un système de notation spécial appelé « Score d'Intégrité ». Imaginez que vous corrigez les devoirs d'un élève. Vous ne vérifiez pas seulement si les réponses sont correctes ; vous vérifiez si toute l'histoire est cohérente. Si l'élève manque une étape clé au milieu, toute sa réponse s'effondre.

Les auteurs ont constaté que la manière de fournir l'information à l'IA importait. Si on demandait à l'IA de traiter trop de parties à la fois (une grande « taille de lot » ou batch size), la qualité de la carte diminuait légèrement. C'était comme demander au chef de couper tous les légumes pour tout le repas d'un coup ; il pourrait en oublier quelques-uns. Lorsqu'ils demandaient à l'IA de faire une petite étape à la fois (une taille de lot de 1), la carte était la plus précise, bien que la construction soit plus longue. Le meilleur équilibre qu'ils ont trouvé était de traiter cinq étapes à la fois, ce qui maintenait la carte très précise (avec un score d'environ 89 sur 100) sans prendre une éternité.

Ce que la carte peut faire : Le Détective et le Planificateur

Une fois la carte construite, elle devient un outil puissant pour deux choses principales :

La Propagation Ascendante (Le Détective) : Si une vanne spécifique se casse, vous pouvez demander au système : « Que se passe-t-il pour l'ensemble de la centrale ? ». Le système remonte l'échelle des défaillances. Il pourrait dire : « Si cette vanne échoue, la pompe ne peut pas fonctionner, ce qui signifie que la fonction de refroidissement échoue, et le réacteur pourrait surchauffer. » Il fait cela en suivant les règles logiques que l'IA a intégrées dans la carte.
La Propagation Descendante (Le Planificateur) : Vous pouvez également demander : « Comment maintenir le réacteur au frais ? ». Le système regarde vers le bas de l'échelle et répond : « Vous avez besoin que la pompe fonctionne, ce qui nécessite que la vanne soit ouverte ET que l'alimentation électrique soit activée. » Il trouve toutes les différentes manières d'atteindre un objectif, vous montrant les plans de secours (redondance) dont dispose le système.

Le bémol : Ce que l'article dit et ne dit pas

Les auteurs veillent à ne pas prétendre qu'il s'agit d'un produit parfait et fini. Ils précisent explicitement que, bien que l'IA soit excellente pour lire les manuels et dessiner les connexions, elle ne « comprend » pas la physique comme le ferait un expert humain. La carte est une représentation du texte, et non nécessairement une simulation parfaite de la réalité.

Par exemple, l'article note que le système éprouve de légères difficultés avec les parties les plus denses et complexes de la carte (là où de nombreuses vannes et tuyaux se connectent). Il pourrait manquer une ou deux connexions sur des centaines. De plus, le système ne connaît pas automatiquement les « Défaillances de Cause Commune » — des situations où deux pièces différentes échouent en même temps parce qu'elles partagent une cause cachée, comme un mauvais lot de fabrication ou une surtension partagée. L'IA peut signaler ces possibilités lors d'une conversation, mais elle ne les intègre pas dans la logique de base de la carte.

L'article exclut également l'idée que cela remplace les experts humains. Au contraire, il suggère que cet outil est un « multiplicateur de force ». Il transforme une tâche qui prend normalement des mois de lecture et de dessin aux experts humains en quelques jours. L'expert humain intervient ensuite pour réviser le travail de l'IA, repérant ces quelques liens manquants et s'assurant que la carte est réellement sûre.

L'essentiel

Cet article suggère que nous pouvons désormais utiliser l'IA pour transformer des piles de manuels techniques ennuyeux et complexes en cartes interactives et logiques qui nous aident à comprendre comment les machines géantes fonctionnent et ce qui se passe lorsqu'elles tombent en panne. Ce n'est pas une baguette magique qui résout instantanément tous les problèmes d'ingénierie, mais c'est un nouvel outil puissant qui rend la tâche de maintenir notre monde complexe plus rapide et plus cohérente. Les auteurs démontent qu'avec la bonne stratégie de « recherche et vérification », l'IA peut apprendre à parler le langage de la logique de l'ingénierie, transformant le texte en un blueprint vivant et dynamique pour la sécurité.

Résumé Technique : Construction Automatisée de Modèles de Logique Maître Dynamiques sous forme de Graphes de Connaissances

Énoncé du Problème
Les systèmes d'ingénierie modernes sont de plus en plus complexes, nécessitant des modèles de diagnostic qui capturent avec précision les interactions et les dépendances à travers plusieurs niveaux d'abstraction. Les approches traditionnelles pilotées par les événements, telles que l'Analyse par Arbre de Défaillances (FTA) et l'Analyse par Arbre d'Événements (ETA), reposent sur des séquences de défaillances prédéfinies. Bien qu'efficaces pour les fautes connues, ces méthodes sont intrinsèquement incomplètes lorsque les séquences de défaillance sont imprévues et deviennent impossibles à tracer à mesure que la complexité du système augmente.

La modélisation fonctionnelle offre une alternative en se concentrant sur les objectifs du système et la manière dont ils sont réalisés via les interactions entre composants. La Logique Maître Dynamique (DML) est un cadre hiérarchique qui lie les objectifs fonctionnels aux éléments structurels (matériel, logiciel, actions humaines) en utilisant des relations logiques explicites. Cependant, la construction des modèles DML reposait historiquement sur l'interprétation manuelle par des experts d'une documentation technique exhaustive. Ce processus limite l'extensibilité et entrave l'application des représentations fonctionnelles à des systèmes volumineux et intensifs en documents. De plus, bien que les Grands Modèles de Langage (LLM) soient prometteurs pour l'interprétation sémantique, ils souffrent d'hallucinations, d'un raisonnement incohérent et d'un manque de structure persistante, ce qui les rend peu fiables pour générer les représentations explicites et structurées requises pour un diagnostic d'ingénierie rigoureux sans augmentation.

Méthodologie
L'étude propose un cadre pour la construction automatisée de modèles DML à partir de la documentation du système, les représentant sous forme de Graphes de Connaissances (KG-DML). L'approche exploite la Génération Augmentée par Récupération (RAG) et les LLM pour combler le fossé entre le texte non structuré et la logique fonctionnelle structurée.

Prétraitement des Documents et Plongement (Embedding) : La documentation du système est normalisée pour standardiser les identifiants de composants et résoudre les ambiguïtés. Le texte est segmenté en blocs chevauchants (1 500 caractères) et intégré dans un magasin de vecteurs pour soutenir la récupération basée sur la similitude.
Construction Couche par Couche : Le modèle est construit séquentiellement à travers la hiérarchie DML (Objectifs $\rightarrow$ $\to$ Fonctions $\rightarrow$ $\to$ Sous-fonctions $\rightarrow$ $\to$ Composants $\rightarrow$ $\to$ Conditions de Succès).
- À chaque couche, une requête de récupération est construite en utilisant la définition sémantique de la couche actuelle et les éléments parents identifiés lors de l'étape précédente.
- Les $K$ blocs de documents les plus pertinents sont récupérés et fournis au LLM avec un schéma JSON prédéfini.
- Le LLM génère des éléments candidats et des relations logiques (portes ET/OU) contraints par le schéma.
- Les éléments validés sont ajoutés à une représentation JSON maîtresse, qui sert de contexte pour la récupération de la couche suivante.
Synthèse du Graphe de Connaissances : Le JSON validé est converti en requêtes Cypher pour peupler une base de données de graphes Neo4j. Ce processus gère explicitement les structures de portes booléennes imbriquées, créant des nœuds de portes intermédiaires pour préserver les dépendances logiques multi-niveaux sans aplatir la hiérarchie.
Cadre d'Évaluation : Une méthodologie de validation multi-niveaux est introduite pour évaluer le KG-DML construit :
- Métriques au niveau de l'élément : La précision, le rappel et les scores $F_2$ sont calculés pour chaque couche hiérarchique, le $F_2$ mettant l'accent sur le rappel pour pénaliser les éléments manquants.
- Cohérence Structurelle : La précision des liens et la correction des portes (logique ET/OU) sont évaluées.
- Score d'Intégrité : Un métrique agrégée combine les scores $F_2$ pondérés par couche avec une pénalité exponentielle pour les erreurs de reconstruction structurelle (nœuds manquants, liens, discordances de portes ou nœuds orphelins). Ce score reflète à la fois l'exactitude des éléments et la complétude des chemins fonctionnels.
Mécanisme d'Interaction : Le KG-DML résultant supporte le raisonnement de diagnostic via un agent LLM agissant comme une couche de coordination. L'agent interprète les requêtes utilisateur et invoque des outils déterministes basés sur le graphe pour :
- Propagation Ascendante : Tracer les conséquences des défaillances des composants vers les objectifs du système.
- Propagation Descendante : Identifier les chemins de succès minimaux des objectifs vers les composants.
- Requêtes Explicatives : Récupérer les relations structurelles via le Graph-RAG.

Contributions Clés

Cadre de Construction Automatisée : Introduit une méthode évolutive pour extraire des modèles fonctionnels de la documentation technique non structurée en utilisant le RAG et les LLM, dépassant les processus manuels d'experts requis précédemment pour la DML.
Extension aux Systèmes Complexes : Étend les recherches antérieures à petite échelle à des systèmes beaucoup plus vastes et documentés (démontré sur un système de sécurité de réacteur à eau bouillante), traitant le défi de la cohérence hiérarchique lors de l'extraction à grande échelle.
Évaluation Structurée : Développe un cadre d'évaluation rigoureux et multi-niveaux qui combine la précision par couche avec un score d'intégrité agrégé pour évaluer la complétude structurelle et la cohérence logique, comblant les lacunes des méthodologies d'évaluation précédentes.
Représentation KG-DML Exécutable : Délivre un Graphe de Connaissances lisible par machine qui préserve la décomposition hiérarchique stricte et la logique de succès de la DML, permettant un raisonnement de diagnostic déterministe plutôt que de s'appuyer uniquement sur les connaissances généralisées des LLM.

Résultats
Le cadre a été appliqué au système d'injection de refroidissement à basse pression (LPCI) d'un réacteur à eau bouillante déclassé.

Cohérence : Le modèle a démontré une reconstruction cohérente sur cinq exécutions indépendantes. Les couches de haut niveau (Objectifs, Fonctions, Sous-fonctions) ont atteint une précision et un rappel parfaits ( $F_2 = 1,0$ ).
Granularité : Des écarts mineurs sont survenus aux couches Composants et Conditions de Succès, où le rappel a légèrement diminué ( $F_2$ allant de 0,978 à 0,993), entraînant environ 1 à 6 nœuds manquants par exécution.
Intégrité Structurelle : La précision des liens était élevée pour les relations de haut niveau mais a montré une variabilité au niveau de la couche Sous-fonction-Composant en raison d'une densité structurelle plus élevée. La précision des portes variait de 0,889 à 0,963 à cette couche.
Compromis de Lot (Batching) : Une analyse du score d'intégrité a révélé un compromis entre la taille du lot et la stabilité structurelle. Une taille de lot de 1 (traitant un élément parent à la fois) a produit le score d'intégrité moyen le plus élevé (90,38), tandis que des lots plus importants (jusqu'à 15) ont montré un déclin progressif des performances, suggérant que l'isolement des étapes d'expansion améliore la stabilité structurelle.
Capacités de Diagnostic : Le système a réussi à effectuer la propagation ascendante pour tracer les impacts de défaillance sur les objectifs du système et la propagation descendante pour énumérer les chemins de succès, incluant des annotations qualitatives pour les potentiels modes de défaillance de cause commune (CCF) parmi les composants redondants.

Signification et Revendications
L'article affirme que le cadre proposé transforme la documentation technique en modèles fonctionnels exécutables, réduisant considérablement l'effort manuel requis pour la construction de la DML (passant de mois à quelques jours) tout en maintenant une haute précision structurelle. La signification ne réside pas dans l'utilisation individuelle du RAG, des LLM ou des bases de données de graphes, mais dans leur intégration dans un cadre cohérent et contraint par un schéma qui permet un raisonnement de diagnostic ancré.

Les auteurs soulignent que le cadre est conçu pour soutenir plutôt que pour remplacer l'expert. Le KG-DML résultant fournit une représentation de connaissance explicite qui permet aux agents LLM de raisonner sur les dépendances fonctionnelles et la propagation des défaillances avec traçabilité, surmontant les limites du raisonnement non structuré des LLM. L'étude reconnaît que bien que l'approche soit robuste pour le système testé, une validation supplémentaire est nécessaire pour des systèmes plus larges, et que l'implémentation actuelle traite les défaillances de cause commune (CCF) de manière qualitative plutôt qu'en les modélisant explicitement dans la logique du graphe. Ce travail établit une base pour la modélisation fonctionnelle automatisée et évolutive en ingénierie de la fiabilité.