一种基于深度学习的专家系统的制作方法

本申请涉及学科内(例如，物理学科)专业问题的自动求解/模拟计算领域，具体而言，涉及一种基于深度学习的专家系统。

背景技术：

1、近年来，越来越多的学者将深度学习技术应用到科学问题或者某一学科领域内的自动求解计算中，发展了很多高效率的基于深度学习技术针对单一计算问题的求解模型。虽然，深度学习则可以通过数据驱动来自动化求解过程，但是，随着模型需要求解相关领域内(或者相关学科内)的问题类型的增多，不仅模型的规模需要相应地增大，而且需要用于模型训练的训练样本类型和数量都将增大。

2、目前，可以用于求解多种科学计算问题的求解系统主要实现为专家系统。专家系统属于人工智能的一个发展分支，是一个智能的计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的推理方法来处理该领域的难题。

3、专家系统主要包括：基于规则推理的专家系统，基于案例的专家系统以及基于人工智能的专家系统。其中，基于规则推理(rule base reasoning，rbr)专家系统是将专家所掌握的现有知识和经验,通过一定的方法转化为规则,根据明确的前提条件得到明确的结果，适用于启发式推理。基于案例推理(case based reasoning，cbr)的专家系统则是通过检索曾经类似的、已解决的问题和案例，通过比较新旧问题间的各种特征、问题发生条件等，得到相同点和差异点，然后重新参考现有知识进行推理，从而得到解决问题的新方法。而基于人工神经网络的专家系统，则可以认为是基于规则推理的专家系统的升级版。

4、专家系统的功能模块主要可以划分为知识库、推理机和人机接口(如图1所示)。知识库和推理机相互交互(相当于人类专家的思考过程)得到一个决策以解决问题。

5、其中，知识库，用于存储相关领域专家的知识，其通常实现为说明信息数据库和规则库。所述规则库中主要包括基于专家经验的判断规则，以及用于推理、问题求解的控制性规则。说明信息数据库，用于说明问题的状态、事实和概念及当前的条件和知识等数据；其功能主要包括知识查询、检索、增删、修改和扩充等。

6、推理机，用于对知识库中的知识进行推理来得到结论的“思维”结构，其包含解释程序、调度程序两类程序。推理机的推理一般包含以下三种推理方式：(1)、正向推理，从原始数据和已知条件得到结论；(2)、反向推理，先提出假设的结论然后寻找支持的证据，若证据存在，则假设成立；(3)、双向推理，运用正向推理提出假设的结论，运用反向推理来证实假设。

7、人机接口，包括专家系统与领域专家的接口和专家系统与用户之间的接口。专家系统与领域专家的接口，用于获取该领域专家的大量的有价值的知识，并且把它存储在知识库里边。专家系统与用户之间的接口，则用于接收用户的提问，并且把通过推理机和知识库得到的结果发送给用户。

8、基于规则推理的专家系统的缺点主要是规则构造严重依赖专家的经验积累，经验如果不准确，则计算结果也不准确；其次是基于规则推理的专家系统没有自学习能力，更新迭代需要不断积累专家经验。基于案例推理的方法缺点主要是需要精准的关键词匹配以及检索系统来存储大量的已解决的案例与问题。基于人工智能的专家系统的缺点是需要大量的训练样本训练神经网络模型，而且对冷启动不友好。

技术实现思路

1、为了克服现有的基于深度学习的专家系统，对每一类需要求解的专业问题，需要分别采用大量训练数据训练神经网络模型，随需要求解的专业问题类型增多，容易带来组合爆炸的缺点，本发明提供一种基于深度学习的专家系统。

2、本发明提供的基于深度学习的专家系统，包括人机接口模块以及知识库构成。所述知识库具有基于深度神经网络模型实现的、用于求解相关专业问题的各专业子模型。所述人机接口模块，用于引导用户输入待求解专业问题以及对应的已知条件，注册知识库中各专业子模的功能说明信息，基于所述待求解专业问题以及所述已知条件，调用知识库中对应的专业子模块进行求解以获得对应的求解结果，将所述求解结果反馈给用户。

3、所述深度神经网络模型，包括：物理信息神经网络模型，生成式模型，transformer和cv等。优选地，所述人机接口模块以带有提示信息的人机交互界面引导用户输入的待求解专业问题。

4、进一步地，所述人机接口模块,包括：基于大型语言模型(llm)实现的推理机；所述推理机实现以下功能：将由所述待求解专业问题提取的文本信息，与所述知识库中的每个所述专业子模块对应的功能说明信息进行语义匹配得到待调用的专业子模型；所述功能说明信息至少包括描述相关专业子模型用途的文本信息。

5、进一步地，所述人机交互模块，基于所述待求解专业问题以及所述已知条件，调用知识库中对应的专业子模块，实现为：所述推理机基于所述已知条件以及所述待求解的专业问题，按照预设的推理逻辑反向推理出求解过程，将所述求解过程按照求解依赖关系，拆解成若干求解子步骤；通过相关的代理接口，为所述若干求解子步骤中的每一个编写对应的说明文本信息；或者，由所述推理机基于所述求解依赖关系和所述已知条件，划分每个求解子步骤所需要的条件变量和求解目标子变量作为对应子求解步骤的模型匹配信息；将所述若干求解子步骤每一个的说明文本信息或模型匹配信息，分别与所述知识库中每个专业子模块对应的功能说明信息进行语义匹配，得到执行每个求解子步骤对应的待调用专业子模型。

6、相应地，所述调用知识库中对应的专业子模块进行求解以获得对应的求解结果，包括：按照所述若干求解子步骤之间的求解次序，依次调用对应的待调用专业子模型获得对应的求解目标子变量；按照所述求解依赖关系，对于任意两个具有直接依赖关系的求解子步骤，被直接依赖的一个求解子步骤对应获得的求解目标子变量，作为执行另一个求解子步骤对应的调用的专业子模型的一个输入参数；最后调用的一个专业子模型的输出结果作为该待求解专业问题的求解结果。

7、本发明提供的专家系统通过推理、拆分待解专业问题的求解过程，自动匹配、调用对应的专业子模型求解；克服了现有的基于深度学习的专家系统，对不同的专业问题需要分别采用大量训练样本训练神经网络模型，从而引发组合爆炸的缺点。其具有较强的鲁棒性，较高的处理能力和智能化水平。

技术特征：

1.一种基于深度学习的专家系统，其特征在于，所述专家系统包括人机接口模块以及知识库构成；所述知识库具有基于深度神经网络模型实现的、用于求解相关专业问题的各专业子模型；所述人机接口模块，用于引导用户输入待求解专业问题以及对应的已知条件，注册知识库中各专业子模的功能说明信息，基于所述待求解专业问题以及所述已知条件，调用知识库中对应的专业子模块进行求解以获得对应的求解结果，将所述求解结果反馈给用户。

2.如权利要求1所述的专家系统，其特征在于，所述人机接口模块以带有提示信息的人机交互界面引导用户输入的待求解专业问题。

3.如权利要求1或2所述的专家系统，其特征在于，包括：基于大型语言模型(llm)实现的推理机；所述推理机实现以下功能：将由所述待求解专业问题提取的文本信息，与所述知识库中的每个所述专业子模块对应的功能说明信息进行语义匹配得到待调用的专业子模型；所述功能说明信息至少包括描述相关专业子模型用途的文本信息。

4.如权利要求3所述的专家系统，其特征在于，所述深度神经网络模型，包括：物理信息神经网络模型，生成式模型，transformer和cv中的一种或多种。

5.如权利要求4所述的专家系统，其特征在于，所述人机交互模块，基于所述待求解专业问题以及所述已知条件，调用知识库中对应的专业子模块，实现为：所述推理机基于所述已知条件以及所述待求解的专业问题，按照预设的推理逻辑反向推理出求解过程，将所述求解过程按照求解依赖关系，拆解成若干求解子步骤；通过相关的代理接口，为所述若干求解子步骤中的每一个编写对应的说明文本信息；或者，由所述推理机基于所述求解依赖关系和所述已知条件，划分每个求解子步骤所需要的条件变量和求解目标子变量作为对应子求解步骤的模型匹配信息；将所述若干求解子步骤每一个的说明文本信息或模型匹配信息，分别与所述知识库中每个专业子模块对应的功能说明信息进行语义匹配，得到执行每个求解子步骤对应的待调用专业子模型。

6.如权利要求5所述的专家系统，其特征在于，所述调用知识库中对应的专业子模块进行求解以获得对应的求解结果，包括：按照所述若干求解子步骤之间的求解次序，依次调用对应的待调用专业子模型获得对应的求解目标子变量；按照所述求解依赖关系，对于任意两个具有直接依赖关系的求解子步骤，被直接依赖的一个求解子步骤对应获得的求解目标子变量，作为执行另一个求解子步骤对应的调用的专业子模型的一个输入参数；最后调用的一个专业子模型的输出结果作为该待求解专业问题的求解结果。

技术总结
本发明提供一种基于深度学习的专家系统。该专家系统包括人机接口模块以及知识库。该知识库具有基于深度神经网络模型实现的、用于求解相关学科专业问题的各专业子模型。该人机接口模块，用于引导用户输入属于所述相关学科的待求解专业问题和对应的已知条件；基于所述待求解专业问题和已知条件推理、拆分求解过程，有序调用该知识库中的专业子模块进行求解以获得对应的求解结果。本发明提供的专家系统具有较强的鲁棒性和较高的处理能力和智能化水平；通过对待求解专业问题的求解过程进行推理、拆分，自动匹配、调用对应的专业子模型求解，对不同的专业问题无需分别采用大量训练样本对神经网络模型进行训练，避免了组合爆炸的问题。

技术研发人员：向辉
受保护的技术使用者：硒钼科技（北京）有限公司
技术研发日：
技术公布日：2024/1/16