LLM系統用於可解釋LPBF缺陷分析

🔑 增強重點摘要

• •該系統採用了檢索增強生成（RAG）架構，將領域專用的本體知識庫與通用LLM結合，以解決大型語言模型在金屬積層製造領域常見的幻覺問題。
• •研究強調了該系統在工業環境中的可解釋性，透過將缺陷診斷結果映射回本體中的因果關係鏈，使工程師能追溯缺陷產生的物理機制。
• •該多模態模組特別針對LPBF製程中常見的熔池影像（Melt Pool Images）與X光斷層掃描數據進行了微調，以提升對微觀孔隙與裂紋的識別準確度。

🛠️ 技術深入

• •架構核心：採用基於知識圖譜（Knowledge Graph）的檢索增強生成（KG-RAG）框架，確保診斷建議符合材料科學物理定律。
• •多模態對齊：利用對比學習（Contrastive Learning）技術，將視覺編碼器（如ViT變體）與LLM的嵌入空間對齊，實現影像特徵與缺陷術語的語意連結。
• •推理機制：採用思維鏈（Chain-of-Thought）提示工程，引導模型依序執行「影像特徵提取 -> 缺陷分類 -> 因果關係檢索 -> 緩解策略生成」的診斷流程。
• •評估指標：除了巨觀F1分數，系統還引入了領域專家評分（Expert Alignment Score）來衡量診斷建議的工業實用性。

🔮 前景展望AI analysis grounded in cited sources