微調整された大型言語モデルによる故障イベントマイニング:米国の原子力発電所の故障イベントレポートを分析するケーススタディ

科学分野:

• エンジニアリング エンジニアリング
• コンピュータサイエンス コンピュータサイエンス
• データサイエンス データサイエンス

背景:

• 失敗イベントナラティブは,失敗の開始と拡散に関する重要な洞察を提供します.
• イベント因果関係を分析することは,故障物理学の理解と非故障データを活用するのに役立ちます.
• 自動化された因果関係抽出は,複雑な言語と限られた注釈データセットのために課題に直面しています.

研究 の 目的:

• テキストから因果関係を自動抽出するための新しい大型言語モデル (LLM) ベースのアプローチを開発する.
• 複雑な言語パターンと長期的な文脈を理解するためのLLMの能力を活用する.
• 障害イベントレポートから原因と結果のペアを正確に抽出します.

主な方法:

• 因果関係検出と因果関係抽出を含む2つの枠組みが提案されました.
• 深い学習モデルが,因果関係を含むテキストを識別するために訓練されました.
• T5ベースのLLM (T5-CE) が原因と結果のペアの抽出のために開発されました.
• 米国の原子力発電所の故障イベントレポートの大きい,注釈されたデータセットは,トレーニングと評価のために使用されました.

主要な成果:

• 提案されたLLMベースのアプローチは,暗黙的および埋め込まれた因果関係を効果的に検出することを実証しました.
• モデルは,テキスト内の因果関係ペアを特定する上で高いパフォーマンスを達成しました.
• 精度,リコール,F1スコアを含む評価メトリクスは,モデルのパフォーマンスを評価するために使用されました.

結論:

• 新規のLLMアプローチは,故障イベントナラティブから自動的な因果関係抽出を大幅に強化します.
• この方法は,因果関係を正確に特定することによって,故障分析を改善することができます.
• このアプローチは,故障データが限られている高信頼性産業にとって貴重なツールです.