PKG-DPO: Physik‑Wissensgraphen verbessern KI in Naturwissenschaften
Die Weiterentwicklung von KI‑Systemen in den Naturwissenschaften erfordert, dass die Modelle nicht nur komplexe, mehrphysikalische Phänomene verstehen, sondern auch die zugrunde liegenden physikalischen Gesetze einhalten. Trotz der beeindruckenden Leistungen großer Sprachmodelle (LLMs) und moderner Präferenzoptimierungstechniken zeigen diese Systeme häufig Schwierigkeiten, zwischen physikalisch gültigen und ungültigen Antworten zu unterscheiden.
Um dieses Problem anzugehen, wurde PKG‑DPO – ein neues Framework – vorgestellt. PKG‑DPO kombiniert Physics Knowledge Graphs (PKGs) mit Direct Preference Optimization (DPO), um die physikalische Konsistenz der von KI generierten Inhalte zu garantieren.
Das System besteht aus drei Kernkomponenten: Erstens ein hierarchischer Physik‑Wissensgraph, der Querschnittsbeziehungen, Erhaltungssätze und thermodynamische Prinzipien abbildet. Zweitens ein Physik‑Reasoning‑Engine, das die strukturierte Wissensbasis nutzt, um physikalisch konsistente Antworten besser zu erkennen. Drittens eine physik‑basierte Evaluationssuite, die die Einhaltung domänenspezifischer Einschränkungen überprüft.
In Tests zeigte PKG‑DPO signifikante Verbesserungen: Es gab 17 % weniger Regelverletzungen und einen 11 % höheren Physics‑Score im Vergleich zu einem reinen Knowledge‑Graph‑basierten DPO. Zudem erreichte das Modell eine 12 % höhere Genauigkeit bei relevanten Parametern und eine 7 % höhere Qualitätsausrichtung in der Argumentationsgenauigkeit.
Diese Fortschritte sind besonders wichtig für hochriskante Anwendungen wie das Metallverkleben, bei denen physikalisch plausibel, aber inkorrekte Empfehlungen zu Materialverschwendung, Geräteschäden und ernsthaften Sicherheitsrisiken führen können. PKG‑DPO bietet hier eine robuste Lösung, die die Zuverlässigkeit und Sicherheit von KI‑unterstützten Entscheidungsprozessen erhöht.
Die Entwickler planen, PKG‑DPO weiter auszubauen und auf weitere wissenschaftliche Disziplinen zu übertragen, um die physikalische Integrität von KI‑Systemen in einer breiten Palette von Anwendungen zu gewährleisten.