[发明专利]用于工程系统的知识图的逻辑规则归纳的系统

说明书

用于工程系统设计的知识图的逻辑规则公式归纳的系统和方法，包括接收工程系统的多个知识图。对于断开的知识图，聚合集束搜索以关注节点连接的边为限，并且生成表示由集束搜索引擎找到的相应边的候选公式，每个公式都受到定义的公式链长度的至少两个自变量的要求约束。公式评估确定每个候选公式是否有效。根据定义的标准从候选公式中选择排名最高的公式。对于连接良好的图，训练图神经网络来预测查询图的第一类和干扰图的第二类。反事实解算器引擎求解对查询图朝向干扰图的最小编辑数，将预测的查询图第一类转换为预测的第二类。

技术领域

本申请涉及应用于工程系统的机器学习。更具体地，本申请涉及工程设计领域中知识图分析的逻辑规则归纳。

背景技术

从数据中学习一阶逻辑规则的问题已经成为机器学习中的长期挑战，并且在许多应用中起到重要作用。例如，对于如燃气轮机、电网或智能建筑的系统，大量的数据由传感器记录。对于这样的系统，可以构建知识图来表示系统的领域知识。在工程设计过程中，可以应用机器学习来加速在多个候选设计中搜索最优设计。在设计由许多相互连接的部分组成的情况下，每个部分具有从其中选择的几个可选方案，可用配置的排列可以是交错的。

逻辑规则是基于知识的推理的人类可解释的表示，与黑盒监督学习模型相比，其可以提供更好的洞察力来理解数据的属性。在许多情况下，这种可解释性导致迁移学习的鲁棒性。而且，逻辑规则对于许多下游任务(目标任务)非常有用，例如问题回答、从人类经验中提取知识，以及从开放域文本中提取知识。由于组合搜索空间，从知识图中提取规则是有挑战性的。执行所有可能规则的蛮力搜索在计算上是难以处理的。对于实际应用，候选逻辑规则公式的数量可以容易地达到数十亿甚至万亿。

现有方法使用具有各种约束的一阶逻辑公式的模板来减小搜索空间。传统的归纳逻辑编程方法不仅效率低，而且不能处理现实世界数据中的噪声。最近使用深度学习技术(例如，神经逻辑编程)的方法可以处理数据中的噪声，但是要求公式中的逻辑变量是链接的，并且每个谓词必须具有正好两个自变量。即使有了这些限制，现有的方法也只能提取具有多达两个或三个谓词的逻辑公式，这对于许多工业应用的建模要求来说是非常不足的。

发明内容

系统通过用于搜索断开知识图的第一框架和用于搜索连接良好的知识图的第二框架来提供对工程系统的知识图的逻辑规则归纳。在第一框架中，当公式构建过程搜索较长公式时，生成一阶逻辑规则公式的排名最高的候选以减小知识图的搜索空间。第二框架应用具有反事实解算器引擎的图神经网络(GNN)来捕获知识图的局部拓扑模式，并基于图的原子动作来抽象一阶逻辑规则公式。归纳的一阶逻辑规则解释了工程系统的最优设计。

附图说明

参考以下附图描述本实施例的非限制性和非穷举性实施例，其中除非另有说明，否则在所有附图中相同的附图标记表示相同的元素。

图1示出了根据本发明的实施例的用于知识图的一阶逻辑公式归纳的系统的示例。

图2示出了根据本发明的实施例的来自断开知识图的框架一阶逻辑公式归纳的示例。

图3示出了根据本发明的实施例的聚合集束搜索顺序的示例。

图4示出了根据本发明的实施例的来自候选公式的公式扩展的示例。

图5示出了根据本发明的实施例的用于训练图神经网络的反事实公式的示例，该图神经网络被用于从连接良好的知识图中提取逻辑规则公式。

图6示出了根据本发明的实施例的关于连接良好的知识的原子动作用于生成逻辑规则归纳的反事实的示例。

图7示出了其中可以实现本发明的实施例的计算环境的示例。

具体实施方式