chATLAS: A Retrieval-Augmented Conversational Assistant for the ATLAS Experiment
本文介绍了 chATLAS，这是一个为欧洲核子研究中心（CERN）ATLAS 实验部署的检索增强生成（RAG）助手，它利用混合检索、领域特定微调和上下文策略，为超过 30,000 份内部文档提供准确且带有来源归属的对话式访问，显著提升了科学合作者的知识检索效率。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
高能物理实验是人类所从事的最复杂的工程之一，涉及来自数百个机构、数千名科学家的通力合作，旨在理解宇宙的基本构建模块。为了应对这种规模，这些协作组织产生了海量的信息：技术手册、会议记录、软件指南和研究日志，这些资料随着数十年的时间不断积累。这些知识对于工作的持续开展至关重要，但它们往往分散在数十个不同的数字系统中，书写风格不统一，且难以搜索。对于加入团队的新科学家来说，寻找一个特定的答案感觉就像是在一个不断变形的巨大草堆中寻找一根针。挑战不在于缺乏信息，而在于缺乏一种将人的问题与那庞大且碎片化的记录中的正确部分联系起来的方法。
为了解决这个问题，来自欧洲核子研究中心（CERN）ATLAS实验的研究人员开发了一个名为 chATLYS 的新型数字助手。该系统作为一个对话式向导，可以阅读并回答有关 3 万多份内部文档的问题。与依赖互联网公开知识的标准聊天机器人不同，chATLAS 是专门针对 ATLAS 协作组织使用的私有技术文档进行训练的。它的工作原理是首先从其内部库中找到最相关的页面，然后利用这些页面构建精确的答案。该系统不仅仅是在猜测；它会指出信息的准确来源，允许用户验证事实。这种方法确保了助手能够提供可靠、及时的指导，反映实验的当前状态，而不是过时或通用的信息。
研究人员面临着一个重大障碍，因为他们需要搜索的文档并不统一。有些是现代网页，有些是旧的维基条目，还有许多是充满了专业术语的密集技术报告。简单的搜索引擎在这里往往会失效，因为它寻找的是精确的词汇匹配，却忽略了科学家可能会使用与文档中不同词汇来提问这一事实。为了克服这一点，团队开发了一种理解文字背后含义的方法。他们教会系统识别不同的短语如何描述同一个概念，即使在软件手册和物理报告之间的具体词汇有所不同。他们还建立了一个使用数千个练习题和答案的测试框架，用以精确衡量系统的表现，从而确保每一次改进都能真正帮助用户更快地找到所需信息。
团队最重要的发现之一是，他们拆解文档的方式比预想中更为重要。大型文档通常包含多个主题，如果系统一次读取整个页面，可能会产生困惑。相反，研究人员将文档拆分为更小、更易处理的部分。然而，他们发现这些小片段有时会丢失上下文，导致系统难以知道该片段的主题。为了解决这个问题，他们增加了一个步骤：在搜索之前，系统会为每一段文本生成一个简短的描述性摘要。这个摘要起到了标签的作用，即使用户的提问没有使用完全相同的词汇，也能帮助系统理解内容。当他们将这种技术与专门的训练相结合时，系统在寻找正确文档方面的能力显著提升，尤其是在处理那些最困难且技术性最强的来源时。
最终的系统设计得既灵活又安全。在回答问题之前，它会检查请求是否合适且与实验相关。如果用户询问某人的职责，系统会将他们引导至官方数据库，而不是进行猜测。如果请求不明确，系统会要求进一步澄清。一旦请求获得批准，系统就会搜索其库，对最佳匹配项进行排序，并生成包含原始文档链接的响应。团队测试了不同类型的计算机模型，以观察哪种模型能生成最好的答案，发现一些开源模型的表现与昂贵的商业模型一样出色，同时运行速度更快且成本更低。结果显示，这是一款已经在数千名科学家日常工作中投入使用的工具，帮助他们应对自身研究中复杂的局面。
这个项目证明了人工智能可以成功地被调整，以处理大型科学协作中特定的、高要求的需求。通过专注于搜索质量和来源的可靠性，团队创建了一个尊重科学记录完整性的系统。这项工作表明，当技术是根据使用者的实际工作流程来构建时，它可以将混乱的文档集合转化为清晰、易获取的资源。对于 ATLAS 协作组织而言，这意味着几十年来积累的知识不再隐藏在零散的文件中，而是可以为任何需要的人所用，从而降低了新成员的学习曲线，并为推动发现的复杂任务腾出了时间。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。