Requirement Discovery Using Embedded Knowledge Graph with ChatGPT - NASA Technical Reports Server (NTRS)
尽管我们对AI在太空中的本能不信任，这种不信任是由像《2001太空漫游》（“我的程序无法执行这个任务，戴夫”）这样的电影所灌输的，但它确实为载人和无人任务带来了巨大的优势。据《卫报》报道，为此，美国国家航空航天局（NASA）正在开发一套系统，允许宇航员使用类似于自然语言的ChatGPT界面进行机动操作、实施实验等。
“目标是使我们能够与太空器进行对话交互，并且它们也能够以自然的语言回应我们的警报，以及在太阳系和更远的地方发现的有趣发现，”Larissa Suzuki博士在IEEE关于下一代太空通信的会议上发表讲话时说。“这真的不再是科幻。”
NASA计划在其月球门户上部署该系统，该空间站将绕月球轨道运行，并为NASA的阿特米斯任务提供支持。它将使用自然语言界面，允许宇航员在不深入复杂手册的情况下寻求实验建议或进行机动操作。
在一份寻求小企业支持月球门户的专用页面上，NASA写道，在门户没有人员时，需要AI和机器学习技术来管理各种系统。其中包括科学实验载荷的自主操作、数据传输优先级、自主操作、门户的健康管理等。
举例来说，Suzuki概述了一种场景，即系统将自动修复数据传输故障和低效，以及其他类型的数字故障。她说：“每当太空器离线或软件出现故障时，我们不能派遣工程师上太空。”
先进空中流动性（AAM）领域正在经历转型，创新技术包括电动飞机和日益自动化的领空操作。在AAM中，城市空中流动性（UAM）概念侧重于在人口密集的城市地区提供空中出租车服务。
本研究介绍利用大型语言模型（LLMs），如OpenAI的GPT-4，来增强UAM需求发现过程。
本研究探讨了两种不同的方法，在UAM需求发现的背景下利用LLMs。
第一种方法评估LLM在不依赖其他外部系统（如关系型或图形数据库）的情况下提供响应的能力。相反，向量存储器根据用户的问题为LLM提供相关信息，这个过程称为检索增强生成（RAG）。
第二种方法将LLM与Graph图数据库集成。LLM充当用户和Graph图数据库之间的中介，将用户的问题转化为数据库的Cypher查询，并将数据库的响应转化为可读的回答。我们的团队分别实施和测试了这两种解决方案，以分析UAM数据集中的需求。本文将讨论我们的方法、实施和相关发现。
美国国家航空航天局（NASA）的空中交通管理-探索（ATM-X）城市空中移动（UAM）空域子项目正在开展研究，将 UAM 空域发展成未来高度自动化和运营灵活的系统。
- UAM 空域的复杂性以及通过一系列变革时期的演进使得需要一个策划工具来有效组织、整合和传达将指导 UAM 在国家空域系统（NAS）中运营演进的研究。
- 这个策划工具被称为 UAM 空域研究路线图（或简称路线图），正在开发一种基于模型的系统工程方法，利用模型为基础的系统工程（MBSE）和人工智能能力。
- 通过基于模型的系统工程（MBSE）方法实施
- 利用机器学习自然语言处理（ML NLP，或仅NLP）、知识图谱数据科学和大型语言模型（例如ChatGPT）
本文将概述知识图谱和 ChatGPT 应用在这一系统工程方法中，并描述它如何用于实现 ATM-X UAM 空域子项目的总体研究目标。
