Large Language Model Powered Decision Support for a Metal Additive Manufacturing Knowledge Graph

📄 arXiv: 2505.20308v2 📥 PDF

作者: Muhammad Tayyab Khan, Lequn Chen, Wenhe Feng, Seung Ki Moon

分类: cs.IR, cs.AI

发布日期: 2025-05-20 (更新: 2025-07-28)

备注: The paper has been accepted at 11th International Conference of Asian Society for Precision Engineering and Nanotechnology

💡 一句话要点

提出基于大语言模型的金属增材制造知识图谱决策支持系统，实现自然语言交互。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 金属增材制造 知识图谱 大语言模型 自然语言处理 决策支持

📋 核心要点

  1. 金属增材制造知识分散，现有数据库查询复杂，限制了其在设计和规划中的应用。
  2. 利用大语言模型，构建金属增材制造知识图谱，实现自然语言查询和决策支持。
  3. 该系统支持兼容性评估、约束过滤和增材制造设计指导，提供结构化结果。

📝 摘要（中文）

金属增材制造(AM)涉及工艺、材料、原料和后处理步骤之间复杂的相互依赖关系。然而，潜在的关系和领域知识仍然分散在文献和静态数据库中，这些数据库通常需要专家级别的查询，限制了它们在设计和规划中的适用性。为了解决这些限制，我们开发了一种新颖且结构化的知识图谱(KG)，表示七个材料类别中53种不同的金属和合金，九种AM工艺，四种原料类型以及相应的后处理要求。由少量样本提示策略引导的大语言模型(LLM)接口，支持自然语言查询，而无需正式的查询语法。该系统支持一系列任务，包括兼容性评估、基于约束的过滤和增材制造设计(DfAM)指导。自然语言的用户查询被规范化，翻译成Cypher，并在KG上执行，结果以结构化格式返回。这项工作引入了第一个交互式系统，该系统将特定领域的金属AM KG与LLM接口连接起来，为工程师提供可访问且可解释的决策支持，并在制造知识系统中推广以人为中心的工具。

🔬 方法详解

问题定义：金属增材制造领域知识分散在各种文献和数据库中，缺乏统一的结构化表示。现有数据库查询通常需要专业的知识和复杂的查询语句，普通工程师难以直接利用这些知识进行设计和决策。因此，如何将这些知识整合起来，并提供易于使用的查询接口，是本研究要解决的核心问题。

核心思路：本研究的核心思路是构建一个领域知识图谱，将金属增材制造相关的工艺、材料、原料、后处理等信息进行结构化表示。同时，利用大语言模型强大的自然语言理解和生成能力，将用户的自然语言查询转化为知识图谱的查询语句，从而实现用户与知识图谱的交互。这样，用户无需掌握专业的查询语法，即可方便地获取所需的知识和决策支持。

技术框架：该系统的整体架构包括以下几个主要模块：1) 知识图谱构建模块：负责从各种来源（文献、数据库等）提取金属增材制造相关的知识，并构建知识图谱。2) 自然语言处理模块：负责对用户的自然语言查询进行预处理、语义理解和意图识别。3) 查询转换模块：负责将自然语言查询转化为知识图谱的查询语句（Cypher）。4) 知识图谱查询模块：负责在知识图谱上执行查询语句，并获取查询结果。5) 结果展示模块：负责将查询结果以结构化的形式展示给用户。

关键创新：该研究的关键创新在于将大语言模型与领域知识图谱相结合，实现自然语言驱动的决策支持。与传统的基于规则或模板的查询方法相比，该方法具有更强的灵活性和可扩展性。此外，该研究还针对金属增材制造领域的特点，设计了专门的知识图谱结构和查询策略。

关键设计：在知识图谱构建方面，该研究定义了53种金属和合金，9种增材制造工艺，4种原料类型以及相应的后处理要求。在大语言模型方面，该研究采用了少量样本提示策略，即通过提供少量的示例查询和对应的Cypher语句，来引导大语言模型进行查询转换。具体的大语言模型选择和参数设置在论文中未明确说明，属于未知信息。

📊 实验亮点

该研究构建了一个包含53种金属和合金的金属增材制造知识图谱，并成功地将其与大语言模型连接，实现了自然语言查询。用户可以通过自然语言进行兼容性评估、约束过滤和增材制造设计指导，无需掌握复杂的查询语法。具体性能数据和对比基线在论文中未明确说明，属于未知信息。

🎯 应用场景

该研究成果可应用于金属增材制造的设计、工艺规划和材料选择等环节。工程师可以通过自然语言查询，快速获取所需的知识和决策支持，提高设计效率和产品质量。未来，该系统可以扩展到其他制造领域，为智能制造提供更强大的知识服务。

📄 摘要（原文）

Metal additive manufacturing (AM) involves complex interdependencies among processes, materials, feedstock, and post-processing steps. However, the underlying relationships and domain knowledge remain fragmented across literature and static databases that often require expert-level queries, limiting their applicability in design and planning. To address these limitations, we develop a novel and structured knowledge graph (KG), representing 53 distinct metals and alloys across seven material categories, nine AM processes, four feedstock types, and corresponding post-processing requirements. A large language model (LLM) interface, guided by a few-shot prompting strategy, enables natural language querying without the need for formal query syntax. The system supports a range of tasks, including compatibility evaluation, constraint-based filtering, and design for AM (DfAM) guidance. User queries in natural language are normalized, translated into Cypher, and executed on the KG, with results returned in a structured format. This work introduces the first interactive system that connects a domain-specific metal AM KG with an LLM interface, delivering accessible and explainable decision support for engineers and promoting human-centered tools in manufacturing knowledge systems.