在增材製造領域，激光粉末牀熔融（LPBF）技術因其複雜工藝而常產生多種缺陷，影響最終產品質量。傳統缺陷分析方法往往缺乏可解釋性和系統性。為應對這一挑戰，研究人員Basit Mahmud Shahriar和Md Habibor Rahman提出了一種知識驅動的決策支持系統，該系統將結構化缺陷知識與大型語言模型（LLM）的推理能力緊密結合，旨在為LPBF工藝提供可解釋的缺陷診斷和緩解指導。
該系統的核心是一個包含27種已知LPBF缺陷類型的知識庫，這些缺陷按照層次類別和因果關係進行組織，形成本體結構。用户可以通過模糊自然語言查詢與系統交互，獲取基於文獻證據的缺陷解釋，以及針對缺陷原因和緩解策略的實用建議。所有推理都基於編碼的過程知識，確保了輸出的可靠性和可追溯性。
此外，系統還集成了一個多模態圖像評估模塊。該模塊利用基礎模型（foundation models）實現描述符引導的顯微缺陷圖像解釋。通過語義對齊評分技術，系統能夠將圖像特徵與缺陷描述進行匹配，從而增強診斷的準確性。這一功能對於實際生產中的快速缺陷識別尤為重要。
研究團隊對系統進行了全面的評估，包括與通用視覺語言模型的定性比較、消融研究以及評估者間信度分析。在文獻推導的數據集上，完全集成的系統配置表現出色，宏觀平均F1分數達到0.808，並在所有配置中表現最優。Cohen's kappa分析進一步證實，模型輸出與文獻參考標籤之間具有高度一致性。
這些結果表明，本體引導的知識表示能夠顯著提升LLM輔助LPBF缺陷分析的一致性、可解釋性和實際應用價值。該研究為增材製造領域的智能質量控制提供了新的思路，有望推動製造過程向更可靠、更透明的方向發展。