Resumen: Avance de sistemas de IA en dominios científicos como física, ciencia de los materiales y la ingeniería exigen un razonamiento sobre fenómenos complejos y múltiples de física mientras respetan los principios de gobierno. Aunque los modelos de idiomas grandes (LLM) y las técnicas existentes de optimización de preferencias funcionan bien en los puntos de referencia estándar, a menudo luchan por diferenciar entre un razonamiento físicamente válido e inválido. Esta deficiencia se vuelve crítica en aplicaciones de alto riesgo como la unión de metales, donde las recomendaciones aparentemente plausibles pero físicamente incorrectas pueden conducir a defectos, desechos de materiales, daños por equipos y graves riesgos de seguridad. Para abordar este desafío, presentamos PKG-DPO, un marco novedoso que integra los gráficos de conocimiento físico (PKG) con optimización directa de preferencias (DPO) para hacer cumplir la validez física en salidas generadas por IA. PKG-DPO comprende tres componentes clave a) Gráfico de conocimiento de física jerárquica que codifica relaciones entre dominios, leyes de conservación y principios termodinámicos. B) Un motor de razonamiento físico que aprovecha el conocimiento estructurado para mejorar la discriminación entre respuestas físicamente consistentes e inconsistentes. C) Un conjunto de evaluación fundamentada de física diseñado para evaluar el cumplimiento de las limitaciones específicas del dominio. PKG-DPO logra un 17% menos de violaciones de restricción y un puntaje físico 11% más alto en comparación con KG-DPO (DPO basado en gráficos de conocimiento). Además, PKG-DPO demuestra una precisión de parámetros relevante de 12 % más alta y una alineación de calidad 7% más alta en la precisión del razonamiento. Si bien nuestro enfoque principal está en la unión del metal, el marco es ampliamente aplicable a otros dominios a múltiples escala e impulsados por la física, que ofrece un enfoque de principios para integrar las limitaciones científicas en el aprendizaje de preferencias.
Publicado Originalme en export.arxiv.org El 26 de agosto de 2025.
Ver Fuente Original
