想象一下，我们不仅能够检测到复杂系统中的故障，还能获得清晰易懂的故障原因解释。就像身边有一位经验丰富的专家一样。这就是将GPT-4等大型语言模型(LLM)与高级诊断工具相结合的前景。

在发布到arXiv预印本服务器的一篇论文中，美国能源部(DOE)阿贡国家实验室的工程师探讨了这一新颖的想法如何提高作员对核电站等复杂系统中诊断信息的理解和信任。

目标是通过以人类可以理解的术语解释什么地方出错、为什么出错以及如何出错，帮助作员在出现问题时做出更好的决策。

阿贡工程师将三个元素结合在一起：阿贡诊断工具PRO-AID、符号引擎和LLM来实现这一目标。诊断工具使用设施数据和基于物理的模型来识别故障。

符号引擎充当PRO-AID和LLM之间的中介。它创建故障推理过程的结构化表示，并限制LLM的输出空间，从而消除幻觉。然后，LLM以作员可以理解的方式解释这些故障。

阿贡国家实验室工厂分析与控制和传感器部门经理里克·维利姆(RickVilim)表示：“该系统有可能加强我们核能劳动力的培训，并简化作和维护任务。”

PRO-AID的工作原理是将工厂的实时数据与预期的正常行为进行比较。如果出现不匹配的情况，则表明存在故障。此过程涉及使用模拟工厂组件及其正常行为的模型。如果某些东西不匹配，则存在问题，PRO-AID会根据这些不匹配情况提供故障的概率分布。

LLM面临的一个关键挑战是确保提供准确的信息。作者通过设计一个符号引擎来管理LLM使用的信息，确保它仅提供基于数据和模型的解释，从而解决了这个问题。

LLM用于解释PRO-AID的结果。它获取复杂的技术数据并将其翻译成易于理解的语言。这有助于作员了解故障原因和诊断背后的原因。此外，使用自然语言，作员可以使用LLM随意查询系统和传感器测量值。

该系统在阿贡国家实验室的机械工程测试回路设施(METL)进行了测试，该设施是美国最大的液态金属测试设施，用于测试先进钠冷核反应堆的小型和中型部件。

该系统诊断出故障传感器并向作员解释问题。这表明，将诊断工具与LLM相结合可以有效地为复杂系统中的故障提供可理解且值得信赖的解释。