Talking like Piping and Instrumentation Diagrams (P&IDs)
作者: Achmad Anggawirya Alimin, Dominik P. Goldstein, Lukas Schulze Balhorn, Artur M. Schweidtmann
发布时间: 2025-02-27
来源: arxiv
研究方向: 过程工程与人工智能
主要内容
本文提出了一种使用自然语言与管道和仪表图（P&IDs）进行通信的方法。该方法通过将P&IDs转换为DEXPI数据模型，并以标签属性图的形式表示，然后将其与大型语言模型（LLMs）集成。
主要贡献
1. 开发了pyDEXPI Python包，用于将P&IDs转换为图表示。
2. 提出了从pyDEXPI生成P&ID知识图谱的工具。
3. 将P&ID知识图谱与LLMs集成，使用基于图的检索增强生成（graph-RAG）。
4. 通过将P&IDs转换为高阶知识图谱，提高了LLMs的交互性和信息检索效率。
5. 为P&IDs与生成式人工智能（genAI）解决方案的开发提供了新的机遇，例如自动修正P&D和AI辅助HAZOP研究。
研究方法
1. 使用pyDEXPI将P&IDs转换为图表示。
2. 使用Neo4j框架生成P&ID知识图谱。
3. 使用基于图的检索增强生成（graph-RAG）技术。
4. 将高阶知识图谱作为LLMs的上下文输入。
5. 设计了一系列问题来评估模型的性能，包括模式识别、信息检索和知识推理。
实验结果
实验结果表明，该方法能够有效地从P&IDs中检索信息，并且LLMs能够从流程图中读取、推理和生成连贯的、上下文准确的信息。使用高阶图作为上下文可以显著提高LLMs的检索能力。
未来工作
未来工作将集中在提高工具的准确性和可靠性上，包括实验检索方法、细化知识图谱模式、集成数据库以及开发更全面的评估指标来评估模型性能。