基于大模型与工具调用的白酒图谱风味解析方法及系统与流程
本发明涉及人工智能,具体涉及一种基于大模型与工具调用的白酒图谱风味解析方法及系统。
背景技术:
1、白酒风味由数百种挥发性与半挥发性微量香味化合物按特定比例叠加而成,准确表征样品的风味剖面对于产品质量评价、风味解析、工艺改进及新品研发具有重要意义。目前白酒样品的风味解析主要依赖以下三类技术路线。
2、第一类为传统化学计量学分析。化学分析师通常需手工完成峰检测、积分、化合物匹配、浓度估算、阈值查询、嗅觉活性值计算和风味雷达绘制等系列操作。该方式吞吐量低且依赖个体经验,峰位假设、候选筛选、阈值来源等中间证据往往未结构化保存,不利于追溯、复核和规模化质量控制。
3、第二类为端到端机器学习分类。已有研究使用卷积神经网络或transformer将色谱图作为图像或一维序列输入,输出酒种类别、品质等级或风味强度。该方式通常只能给出黑盒标签或回归值,难以定位具体化合物和构建完整的证据链,也难以充分利用阈值表、风味描述符库和香型先验等结构化知识。
4、第三类为大语言模型作为化学助手的应用探索。现有大语言模型多用于文献问答或反应规划,尚未与色谱和光谱原始信号、阈值数据库和外部计算工具形成可审核的闭环系统。
5、也有方案将多模态光谱数据与自然语言指令转换为特征嵌入向量后输入经微调的大语言模型,并以自然语言形式输出分析结果。该方式中,原始信号在进入模型前已被压缩为嵌入向量,模型输出仅为自然语言结论,既未保留与原始信号对应的中间证据,也无法在推理过程中调用外部计算工具对中间结论进行验证与修正。
6、此外,白酒风味解析还面临若干特殊的场景需求。不同香型的特征化合物谱与浓度量级差异显著,单一通用模型难以适配各类香型。单种仪器通常无法覆盖全部风味化合物,需要多种仪器联合检测,存在多源数据融合的需求。部分微量化合物缺乏标准品标定曲线,浓度估算需要具备输出浓度等级或相对强度的稳健替代方式。
7、综上所述,现有技术中缺乏一种能够基于多通道原始图谱数据序列与结构化风味知识库自动生成可解释的化合物级嗅觉活性值与风味雷达图的解析方案,亟需本领域技术人员进一步研究和改进。
技术实现思路
1、本发明旨在解决现有白酒风味解析方法存在人工依赖度高、结果不可追溯、模型无法输出可验证中间证据且难以融合多源数据与结构化知识的问题,提出一种基于大模型与工具调用的白酒图谱风味解析方法及系统。
2、本发明解决上述技术问题所采用的技术方案是:
3、第一方面,本发明提供一种基于大模型与工具调用的白酒图谱风味解析方法,所述方法包括:
4、获取白酒样品在至少一种仪器通道下采集的原始图谱数据序列,并获取白酒样品的样品元数据,所述样品元数据至少包括所述白酒样品的香型类别;
5、将所述原始图谱数据序列按预设窗口长度进行分窗切片,并将各窗口内的数据序列嵌入文本通道,形成数值序列;将所述样品元数据转换为对应的文本字段;将所述数值序列与文本字段按预设结构化模板组织,生成模型输入序列;
6、将所述模型输入序列输入大模型,使所述大模型以思维链方式输出结构化推理过程,所述结构化推理过程包含按序排列的多个思维链推理步骤,每个所述思维链推理步骤为一个四元组,所述四元组包括:当前思维链推理步骤提出的峰位假设、与所述峰位假设对应的候选化合物集合、基于所述峰位假设和/或所述候选化合物集合生成的调用工具标识、以及响应于工具调用所返回的工具返回证据;
7、在大模型推理过程中,根据调用工具标识调用封闭工具集,并获得工具调用所返回的工具返回证据;所述封闭工具集至少包括峰检测工具、图谱渲染工具、化合物匹配工具、浓度估算工具、嗅觉阈值查询工具、嗅觉活性值计算工具和风味轮聚合工具;
8、将工具返回证据回填至大模型的上下文,所述工具返回证据作为后续思维链推理步骤中峰位假设的修正依据和/或候选化合物集合的筛选依据;
9、在所有思维链推理步骤完成后,所述大模型基于已回填至大模型上下文中的全部工具返回证据,输出所述白酒样品的化合物级嗅觉活性值列表与风味雷达图坐标,并输出完整的思维链文本;
10、其中,所述模型输入序列由所述数值序列与文本字段构成而不包含图像数据;由所述原始图谱数据序列生成的可视化渲染图谱仅在推理过程中由图谱渲染工具根据调用工具标识按需生成,并作为工具返回证据用于展示或审核回溯。
11、进一步地,所述仪器通道包括气相色谱-火焰离子化检测器、气相色谱-质谱联用仪、固相微萃取气相色谱、搅拌棒吸附萃取、顶空进样气相色谱、离子色谱中的一种或多种;
12、当所述白酒样品同时具备多种仪器通道的原始图谱数据序列时,按所述预设结构化模板将多通道的原始图谱数据序列并列嵌入模型输入序列中,并标注各通道的通道标识与采集时间,由所述大模型在思维链推理步骤中执行跨通道证据交叉验证。
13、进一步地,所述预设结构化模板至少包括下列字段:
14、样品元数据字段,用于记录香型类别、产品类型、酒精度、生产日期、品牌系列及采样部位中的至少一种;
15、数据序列字段,用于嵌入按预设窗口长度切片后的原始图谱数据序列;
16、香型先验化合物模板字段,用于记录样品元数据中香型类别对应的特征化合物候选集合及其经验浓度量级;
17、历史相似样品剖面字段,用于记录与所述白酒样品相似的历史样品的化合物剖面摘要信息;
18、工具集调用规范字段,用于记录所述封闭工具集中各工具的输入输出格式与合法性约束,并包含所述图谱渲染工具的调用参数。
19、进一步地,在所述大模型根据调用工具标识调用封闭工具集时,所述封闭工具集的调用过程受以下合法性约束:
20、所述化合物匹配工具所匹配的化合物标识必须存在于预设化合物数据库,否则工具调用予以拒绝;
21、所述嗅觉阈值查询工具所查询的化合物-基质组合必须存在于预设阈值数据库,否则工具调用予以拒绝;
22、所述浓度估算工具在缺乏可用标定曲线的情形下,输出浓度等级而非具体数值;
23、所有因合法性约束产生的拒绝信息均回填至所述大模型的上下文,由所述大模型在后续的思维链推理步骤中调整峰位假设和/或候选化合物集合。
24、进一步地,所述风味轮聚合工具被配置为:
25、根据化合物级嗅觉活性值列表与化合物风味描述符,将各化合物对风味维度的贡献进行汇总,生成所述风味雷达图坐标;
26、其中,所述风味维度以及各化合物与各风味维度之间的映射关系,由企业风味词表、香型体系和/或产品线配置确定;所述化合物风味描述符由大语言模型对自由文本风味描述进行结构化抽取后,经人工审核或规则校正写入化合物-阈值-风味描述数据库。
27、进一步地,所述风味轮聚合工具在生成风味雷达图坐标后,对所述风味雷达图坐标执行后处理,生成供展示或审核用的处理后风味雷达图坐标;所述后处理包括归一化、平滑、截断、香型基线校正或相对强度换算中的一种或多种。
28、进一步地,所述化合物匹配工具采用香型先验过滤候选化合物,具体方式为:
29、对每一香型类别预先建立特征化合物候选模板;
30、所述化合物匹配工具被调用时,执行两阶段匹配:
31、第一阶段,将当前思维链推理步骤中四元组内的候选化合物集合,限制于所述特征化合物候选模板及其扩展集内,筛除不属于所述特征化合物候选模板及其扩展集的候选化合物;
32、第二阶段,对经第一阶段筛选后保留的各候选化合物,按保留时间、保留指数、质谱碎片相似度中的一种或多种进行联合打分,根据打分结果输出候选化合物列表及其置信度;
33、所述候选化合物列表作为工具返回证据回填至大模型的上下文,构成后续思维链推理步骤中四元组内的候选化合物集合的候选来源。
34、进一步地,所述浓度估算工具在缺乏可用标定曲线时,根据峰面积相对量级将浓度划分为若干预定等级,每一预定等级对应一个量级区间;
35、所述浓度估算工具输出浓度等级及其对应的量级区间,并回填至所述大模型的上下文;
36、所述嗅觉活性值计算工具在无法获取精确浓度数值时,依据所述浓度等级所对应的量级区间的中位值或下限值,进行嗅觉活性值的数量级估算。
37、进一步地,所述大模型通过强化学习训练获得,所述强化学习训练包括以下步骤:
38、t1、组采样:对每一训练样本,从待训练的大模型中独立采样g条推理轨迹,每条推理轨迹包含完整的思维链推理步骤、调用工具标识的序列与最终输出的化合物级嗅觉活性值列表及风味雷达图坐标;
39、t2、多级可验证奖励计算:获取每一训练样本对应的真值峰列表、真值化合物浓度列表和真值风味雷达图坐标;对每一推理轨迹计算多个分项奖励,各所述分项奖励分别用于验证相应推理环节或工具输出的准确性,所述分项奖励至少包括思维链结构合法性奖励、峰检测准确性奖励、化合物匹配奖励、浓度估算奖励、嗅觉活性值估算奖励、风味雷达相似度奖励、思维链与工具返回一致性奖励以及香型先验一致性奖励;
40、用表示第个分项奖励,为该分项奖励对应的权重系数,各分项奖励按下式加权综合为总奖励:
41、;
42、其中,表示分项奖励的项数,表示当前推理轨迹,表示当前推理轨迹的第个分项奖励;
43、步骤t2中,所述强化学习训练采用三阶段课程学习策略,各阶段权重系数随阶段切换动态调整:第一阶段,启用所述思维链结构合法性奖励与峰检测准确性奖励;第二阶段,在所述第一阶段的基础上,额外启用所述化合物匹配奖励、浓度估算奖励与思维链与工具返回一致性奖励;第三阶段,在所述第二阶段的基础上,额外启用所述嗅觉活性值估算奖励、风味雷达相似度奖励与香型先验一致性奖励;
44、其中,所述思维链与工具返回一致性奖励通过将思维链推理步骤中的峰位假设与同一推理轨迹中峰检测工具实际返回的峰列表的最近邻峰位进行比对,按预设容忍准则得出连续打分:当偏差超过预设容忍带时,所述思维链与工具返回一致性奖励按偏差幅度递减,所述预设容忍带根据仪器通道的保留时间精度设定;
45、t3、组内优势归一化:对同一训练样本的g条推理轨迹的总奖励做组内z-score标准化,得到优势估计值:
46、;
47、其中,、分别为该组g条轨迹的总奖励的均值与标准差,为防止除零的预设正数;
48、t4、策略更新:以所述优势估计值作为优势函数,按组相对策略优化的策略梯度形式对所述大模型的参数进行更新;
49、t5、持续学习:所述训练样本由已通过多级人工审核的化合物浓度数据与风味标注数据自动转换生成;当所述大模型对某一样品的输出结果与对应的人工审核结果之间的关键化合物嗅觉活性值偏差或风味雷达余弦相似度偏离超过预设阈值时,将该样品标记为高价值差异样本并优先纳入下一训练轮次的样本池。
50、第二方面,本发明提供一种基于大模型与工具调用的白酒图谱风味解析系统,用于实现如第一方面所述的基于大模型与工具调用的白酒图谱风味解析方法,所述系统包括:
51、多通道图谱数据接入模块,用于获取白酒样品在至少一种仪器通道下采集的原始图谱数据序列,并获取白酒样品的样品元数据,所述样品元数据至少包括所述白酒样品的香型类别;
52、结构化模板编排模块,用于将所述原始图谱数据序列按预设窗口长度进行分窗切片,并将各窗口内的数据序列嵌入文本通道,形成数值序列;将所述样品元数据转换为对应的文本字段;将所述数值序列与文本字段按预设结构化模板组织,生成模型输入序列;
53、大模型推理模块,包括大模型和工具调用代理模块;
54、所述大模型用于接收所述模型输入序列,并以思维链方式输出结构化推理过程,所述结构化推理过程包含按序排列的多个思维链推理步骤,每个所述思维链推理步骤为一个四元组,所述四元组包括:当前思维链推理步骤提出的峰位假设、与所述峰位假设对应的候选化合物集合、基于所述峰位假设和/或所述候选化合物集合生成的调用工具标识、以及响应于工具调用所返回的工具返回证据;
55、所述工具调用代理模块用于在大模型推理过程中根据调用工具标识调用封闭工具集,并获得工具调用所返回的工具返回证据;所述封闭工具集至少包括峰检测工具、图谱渲染工具、化合物匹配工具、浓度估算工具、嗅觉阈值查询工具、嗅觉活性值计算工具和风味轮聚合工具;以及将工具返回证据回填至大模型的上下文,所述工具返回证据作为后续思维链推理步骤中峰位假设的修正依据和/或候选化合物集合的筛选依据;
56、在所有思维链推理步骤完成后,所述大模型基于已回填至大模型上下文中的全部工具返回证据,输出所述白酒样品的化合物级嗅觉活性值列表与风味雷达图坐标,并输出完整的思维链文本;
57、其中,所述模型输入序列由所述数值序列与文本字段构成而不包含图像数据;由所述原始图谱数据序列生成的可视化渲染图谱仅在推理过程中由图谱渲染工具根据调用工具标识按需生成,并作为工具返回证据用于展示或审核回溯。
58、本发明的有益效果是:本发明提供的基于大模型与工具调用的白酒图谱风味解析方法及系统,通过将白酒样品的原始图谱数据序列与样品元数据按预设结构化模板组织后输入大模型,驱动大模型以思维链方式逐步提出峰位假设和候选化合物集合,并调用封闭工具集,将各工具返回的证据回填至大模型的上下文以修正后续推理步骤中的峰位假设和候选化合物集合,最终在所有思维链推理步骤完成后输出化合物级嗅觉活性值列表与风味雷达图坐标并附带完整的思维链文本,从而实现了风味解析全流程的自动化,降低了人工依赖,同时通过输出完整的思维链文本使峰位假设、候选筛选和工具证据均可追溯,解决了现有黑盒模型无法输出可验证中间证据的问题,并且通过支持多种仪器通道的原始图谱数据序列输入、预设结构化模板中携带香型类别和香型先验化合物模板以及浓度估算工具在缺乏标定曲线时输出浓度等级,能够适配不同香型体系、融合多源仪器数据并适应实际检测条件。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com