본 논문은 원자력 발전소와 같은 고신뢰도 시스템의 시스템 진단을 지원하기 위해 지식 그래프(KG)와 대규모 언어 모델(LLM)을 통합한 새로운 진단 프레임워크를 제시합니다. 기존의 진단 모델링은 시스템이 복잡해짐에 따라 어려움을 겪기 때문에 기능 모델링이 더 매력적인 접근 방식입니다. 제시된 프레임워크는 Dynamic Master Logic (DML) 모델의 기능 모델링 원칙을 기반으로 하며, 시스템 문서에서 DML 논리를 자동으로 생성하는 LLM 기반 워크플로우와 대화형 진단을 지원하는 LLM 에이전트라는 두 개의 조정된 LLM 구성 요소를 통합합니다. 생성된 논리는 계층적 오류 추론을 지원하는 KG-DML이라는 구조화된 KG로 인코딩됩니다. 전문가 지식이나 운영 데이터를 통합하여 모델의 정확성과 진단 깊이를 개선할 수도 있습니다. 상호 작용 단계에서 사용자는 자연어 쿼리를 제출하며, 이는 LLM 에이전트에 의해 해석됩니다. 에이전트는 KG-DML을 통한 상향 및 하향 전파를 포함한 구조적 추론에 적합한 도구를 선택합니다. LLM 에이전트는 모든 프롬프트에 KG 콘텐츠를 포함하는 대신 진단 작업과 해석 작업을 구분합니다. 진단의 경우 에이전트는 구조화된 KG 추론을 수행하는 외부 도구를 선택하고 실행합니다. 일반적인 쿼리의 경우 그래프 기반 검색 증강 생성(Graph-RAG) 접근 방식을 사용하여 관련 KG 세그먼트를 검색하고 프롬프트에 포함하여 자연스러운 설명을 생성합니다. 보조 급수 시스템에 대한 사례 연구는 주요 요소에서 90% 이상의 정확도와 일관된 도구 및 인수 추출을 통해 안전 중요 진단에서의 사용을 지원하는 프레임워크의 효과를 보여주었습니다.
