مقاله یک چارچوب پردازش دانش قابل اعتماد برای علم احتراق با استفاده از مدلهای بنیادی

چکیده

This research explores the integration of large language models (LLMs) into scientific data assimilation, focusing on combustion science as a case study. Leveraging foundational models integrated with Retrieval-Augmented Generation (RAG) framework, the study introduces an approach to process diverse combustion research data, spanning experimental studies, simulations, and literature. The multifaceted nature of combustion research emphasizes the critical role of knowledge processing in navigating and extracting valuable information from a vast and diverse pool of sources. The developed approach minimizes computational and economic expenses while optimizing data privacy and accuracy. It incorporates prompt engineering and offline open-source LLMs, offering user autonomy in selecting base models. The study provides a thorough examination of text segmentation strategies, conducts comparative studies between LLMs, and explores various optimized prompts to demonstrate the effectiveness of the framework. By incorporating an external database, the framework outperforms a conventional LLM in generating accurate responses and constructing robust arguments. Additionally, the study delves into the investigation of optimized prompt templates for the purpose of efficient extraction of scientific literature. The research addresses concerns related to hallucinations and false research articles by introducing a custom workflow developed with a detection algorithm to filter out inaccuracies. Despite identified areas for improvement, the framework consistently delivers accurate domain-specific responses with minimal human oversight. The prompt-agnostic approach introduced holds promise for future deliberations. The study underscores the significance of integrating LLMs and knowledge processing techniques in scientific research, providing a foundation for advancements in data assimilation and utilization.

چکیده به فارسی (ترجمه ماشینی)

این تحقیق به بررسی ادغام مدلهای بزرگ زبان (LLM) در جذب داده های علمی ، با تمرکز بر علم احتراق به عنوان یک مطالعه موردی می پردازد.این مطالعه با استفاده از مدلهای بنیادی با استفاده از چارچوب نسل بازیابی (RAG) یکپارچه شده ، این مطالعه رویکردی را برای پردازش داده های تحقیق متنوع احتراق ، شامل مطالعات تجربی ، شبیه سازی ها و ادبیات ارائه می دهد.ماهیت چند جانبه تحقیقات احتراق بر نقش اساسی پردازش دانش در پیمایش و استخراج اطلاعات ارزشمند از مجموعه گسترده و متنوع از منابع تأکید دارد.رویکرد توسعه یافته ضمن بهینه سازی حریم خصوصی و صحت داده ها ، هزینه های محاسباتی و اقتصادی را به حداقل می رساند.این برنامه شامل مهندسی سریع و LLM های منبع باز آفلاین است و استقلال کاربر را در انتخاب مدل های پایه ارائه می دهد.این مطالعه یک بررسی کامل از استراتژی های تقسیم بندی متن ، انجام مطالعات مقایسه ای بین LLM ها را انجام می دهد ، و به بررسی موارد مختلف بهینه شده برای نشان دادن اثربخشی چارچوب می پردازد.این چارچوب با ترکیب یک بانک اطلاعاتی خارجی ، از LLM معمولی در تولید پاسخ های دقیق و ساخت آرگومان های قوی استفاده می کند.علاوه بر این ، این مطالعه به بررسی الگوهای سریع بهینه شده به منظور استخراج کارآمد ادبیات علمی می پردازد.این تحقیق با معرفی یک گردش کار سفارشی که با یک الگوریتم تشخیص برای فیلتر کردن نادرستی ها ایجاد شده است ، نگرانی های مربوط به توهم و مقالات تحقیق کاذب را برطرف می کند.علیرغم زمینه های شناسایی شده برای بهبود ، چارچوب به طور مداوم پاسخ های دقیق دامنه را با حداقل نظارت انسانی ارائه می دهد.رویکرد سریع آگنوستیک که معرفی شده است ، نوید برای جلسات آینده را در اختیار دارد.این مطالعه بر اهمیت ادغام LLMS و تکنیک های پردازش دانش در تحقیقات علمی تأکید می کند و پایه و اساس پیشرفت در جذب و استفاده از داده ها را فراهم می کند.