用于腐蚀可靠机械推理的生成人工智能

腐蚀约占全球 GDP 的 4%，可靠的预测对于及时缓解腐蚀至关重要。机器学习可以根据成分、微观结构和环境变量有效预测腐蚀速率，但无法解释潜在的机制。安全关键材料工程中的可靠方法不仅需要准确的检索，还需要机械上可辩护的推理，这是现有事实指标无法评估的能力。这项工作提出了一种用于腐蚀知识合成的领域自适应检索增强生成框架，并在镁合金腐蚀上进行了演示。三种开放权重语言模型（Llama-3.1-8B、Qwen-2.5-7B、Mistral-7B）针对来自 840 篇同行评审论文的 3,309 个经过专家验证的问答对进行了微调，并与混合密集词汇检索管道集成。检索增强使 Token F1 增益达到 143-194%，系统 忠实性 为 0.964，上下文召回为 0.988。对新发表的文献和内部电化学数据的盲外部验证证实了趋势水平的概括。进一步介绍了命题图框架Reason Map；它根据生成的答案和检索到的文献独立构建有向证据图，从而能够系统地检测因果方向反转和平面事实指标无法揭示的无支持的推理跳跃。模块化架构可以跨领域应用，为值得信赖的人工智能辅助知识合成提供通用蓝图，以规避腐蚀，也可以应用于其他工程领域。