[发明专利]使用图形模式来增强将模型集成到语义框架中

说明书

提供了一种计算机系统(800)，其包括用于与捕获域知识(100)相关的操作(600)进行建模的至少一个处理器(805)。这些操作包括经由处理器(805)创建(702)与域知识(100)相关的方程式(101、202)的输入的图形模型(400、500、600)。图形模型(400、500、600)将输入中的至少一个输入与输入中的另一个相关联；并且其中图形模型(400、500、600)将输入与输出相关联(704)。操作(600)还包括从图形模型(400、500、600)导出(706)增强类型信息，并经由处理器(805)将导出的增强类型信息添加(708)到方程式(5‑8)，添加有助于人工智能使用方程式(5‑8)。

I.技术领域

本发明涉及捕获用于人工智能的域知识。

II.背景技术

大量的科学知识可以在书籍、期刊文章、会议报告中找到，也许最明确的是在封装科学计算的计算机代码中找到。在某种程度上，所有这些资源库的目标受众都是该领域中具有一定技能水平的人。对于文档，需要正确解释文本含义的技能。对于计算机程序，该技能是提供正确的输入——以某种程度上隐含的方式一致的输入，或者与用户必须阅读的文档一致的输入。

当这种计算模型被集成到人工智能(AI)的语义框架中时，这就变成了问题，人工智能然后期望利用这些模型，将它们链接在一起，使得一个模型的输出是另一个模型的输入，等等。换句话说，主题专家(SME)用于正确调用计算模型的所有隐含知识现在必须明确地捕获在基于AI的计算设备的知识库中。

根据一些实施例，通常是隐含(并且仅由例如人类专家提供)的知识在所捕获的知识中被明确，并且可用于机器推理。

对于任何类型的数学和/或科学方程式，实施例允许使用图形模式来捕获输入和输出之间的关系，即所有输入彼此之间的以及输出与所有输入的关系的域知识。

将是已经构造了计算模型的任何域，其中需要选择适当的输入并且需要在域术语中知道输出的知识。本发明的实施例使得基于AI的计算设备能够以与拥有本领域普通技术的人员所能做到的相同的方式应用方程式中表示的知识。

将在说明性但非限制性示例的上下文中描述一些实施例的特征。在示例中，一组方程式将被认为捕获了飞行的科学。这些示例说明源自NASA格伦研究中心(NASA GlennResearch center)拥有的网站。

III.附图说明

在图1中，提供了简单域的传统示例。该域与音速有关。图1特别地涉及马赫数100，即飞行中的物体的速度与音速的比率。在图1中，飞行器102以相对于马赫数的不同速度被描绘。在图1的传统图示中，本发明的实施例要克服的问题涉及以下问题。

该图1中的音速是水中的音速吗？这是物体在赤道飞行的情况下北极空气中的音速吗？虽然这些问题的答案是否，但这个答案在方程式中并不明确。也就是说，这个问题的答案取决于个人的头脑中的知识，以知道物体速度必须除以物体在空气中移动的位置处的音速。因此，如果物体在32,000英尺的高度在空气中移动，那么需要的音速的地方：在32,000英尺处。当使用图1中的方程式时，SME将理解该假设。基于AI的计算设备将不能做出这种假设并有效地使用图1中的简单方程式。

在更复杂的示例中，考虑飞行器的最大总推力是：[发动机数量]x[总净推力/发动机]。基于AI的计算设备如何使用该方程式？关系是飞行器的总推力等于飞行器的发动机数量乘以飞行器的发动机的净推力。假设飞行器上的所有发动机都有相同的净推力。

当试图求解方程式时的挑战是通过将输入和输出全部绑定回同一个物体来明确地捕获输入之间的关系，以及在域术语中输入和输出之间的关系。在这个更复杂的示例中，物体是飞行器。在前面的示例中，物体是大气。也就是说，在第一个示例中增加了假设，即它是通过气体的音速。增加该假设意味着仅当介质是气体(例如大气)时，图1的方程式才有效。