في عالم الأنظمة المعقدة، تعتبر نماذج DML الديناميكية (Dynamic Master Logic) تطوراً هاماً في فهم سلوكيات الأنظمة من خلال الربط بين الأهداف الوظيفية والعناصر الهيكلية الأساسية. لكن كانت الصعوبات في البناء المستند إلى التفسير الخبير تعيق توسيع نطاق استخدامها.
في دراسة جديدة، تم تقديم إطار عمل مبتكر يتيح البناء الآلي لنماذج DML من أوصاف الأنظمة، وتمثيلها كخرائط معرفة (Knowledge Graphs) باستخدام تقنيات متطورة مثل نماذج اللغات الضخمة المدعومة بالتوليد المعزز بالاسترجاع (Retrieval-Augmented Generation).
يُظهر هذا البحث كيف أن هيكلة العمل السابقة، والتي كانت موجهة نحو الأنظمة صغيرة الحجم، قد تم توسيعها الآن لتشمل أنظمة أكبر وأكثر تعقيدًا، مما يزيد من إمكانية تطبيقها وتحليلها.
تعتمد عملية بناء النموذج على تسلسل هرمي لنماذج DML، حيث يتم الاستفادة من الاسترجاع المستهدف للحفاظ على الاعتماديات الوظيفية والعلاقات المنطقية بشكل صريح. ومن خلال ذلك، توفر خرائط المعرفة الناتجة فرصًا للدراسة التشخيصية والتقييم والسلامة، بالإضافة إلى تتبع الاعتماد من الأمور العليا إلى السفلى.
كما تم استخدام منهجية تحقق متعددة المستويات لتقييم دقة واسترجاع الخصائص النوعية والمبادئ التوافقية للأبواب المنطقية وسلامة الهيكل العام.
التجربة العملية على نظام حقن المبرد منخفض الضغط الخاص بمفاعل الماء المغلي المعطل أظهرت قدرة متسقة على إعادة البناء عبر جولات متعددة.
وبذلك، تبرهن النتائج أن البناء الآلي لنموذجات KG-DML يمكن أن يحول الوثائق التقنية إلى نماذج وظيفية قابلة للتنفيذ لتحليل موثوقية النتائج.