خرید و دانلود ترجمه فارسی مقاله سیستم عامل مدل سازی زبان بزرگ مبتنی بر نمودار دانش (سیستم عامل LLM) برای اتوماسیون کار در حل مسئله مهندسی فرآیند

چکیده

We present the Process Engineering Operations Assistant (PEOA), an AI-driven framework designed to solve complex problems in the chemical and process industries. The framework employs a modular architecture orchestrated by a meta-agent, which serves as the central coordinator, managing an action generator and instruction-tuned small-scale language models (expert models). The action generator decomposes complex problems into sub-tasks and identifies suitable expert models to execute each, delivering precise solutions for multi-step problem-solving. Key techniques include advanced knowledge modeling using property graphs for improved information retrieval, facilitating more accurate and contextually relevant solutions. Additionally, the framework utilizes a teacher-student transfer-learning approach with GPT-4 (Omni) to fine-tune the action generator and expert models for domain adaptation, alongside an iterative problem-solving mechanism with sophisticated error handling. Custom datasets were developed to evaluate the framework against leading proprietary language models on various engineering tasks. The results demonstrate the framework effectiveness in automating calculations, accelerating prototyping, and providing AI-augmented decision support for industrial processes, marking a significant advancement in process engineering capabilities.

چکیده به فارسی (ترجمه ماشینی)

ما دستیار عملیات مهندسی فرآیند (PEOA) ، یک چارچوب AI محور طراحی شده برای حل مشکلات پیچیده در صنایع شیمیایی و فرآیند را ارائه می دهیم.این چارچوب از یک معماری مدولار که توسط یک متائال متا ، که به عنوان هماهنگ کننده اصلی ، مدیریت یک ژنراتور اکشن و مدلهای زبان در مقیاس کوچک تنظیم شده (مدلهای متخصص) است ، استفاده می کند.ژنراتور عمل مشکلات پیچیده ای را در زیر وظایف قرار می دهد و مدل های متخصص و متخصص را برای اجرای هر یک شناسایی می کند و راه حل های دقیقی را برای حل مسئله چند مرحله ای ارائه می دهد.تکنیک های کلیدی شامل مدل سازی دانش پیشرفته با استفاده از نمودارهای خاصیت برای بازیابی اطلاعات بهبود یافته ، تسهیل راه حل های دقیق تر و متناسب تر است.علاوه بر این ، این چارچوب از یک رویکرد یادگیری انتقال معلم و دانش آموز با GPT-4 (OMNI) برای تنظیم دقیق ژنراتور عمل و مدل های متخصص برای سازگاری دامنه ، در کنار یک مکانیسم حل مسئله تکراری با کنترل خطای پیشرفته استفاده می کند.مجموعه داده های سفارشی برای ارزیابی چارچوب در برابر مدل های برجسته زبان اختصاصی در کارهای مختلف مهندسی تهیه شده است.نتایج نشان دهنده اثربخشی چارچوب در اتوماسیون محاسبات ، تسریع در نمونه سازی نمونه سازی و ارائه پشتیبانی تصمیم گیری AI برای فرآیندهای صنعتی ، نشان دادن پیشرفت قابل توجهی در قابلیت های مهندسی فرآیند است.