Nagy nyelvi modellek (LLM) illesztése sugárvédelmi szimulációs eszközökhöz

A téma háttere és motivációja

A belső sugárterhelés becslése kritikus fontosságú nukleáris balesetek vagy karbantartási incidensek esetén. Jelenleg az európai szinten harmonizált tudásbázist gyakran komplex, makrókkal vezérelt Excel táblázatok formájában érhetik el a szakértők.

Bár ezek az eszközök pontosak, használatuk nehézkes: egy valós szituáció (pl. bevitel módja, időzítése, mennyisége) pontos modellezése iteratív folyamat. A szakértőknek interjúk és mérések alapján, folyamatosan finomítva a bemeneti paramétereket, akár tucatnyi alkalommal is újra kell futtatniuk a szimulációt, ami manuálisan időigényes és hibaérzékeny folyamat.

A feladat részletezése

A hallgató feladata egy olyan szoftveres megoldás fejlesztése, amely hidat képez a felhasználó (sugárvédelmi szakértő) és a meglévő Excel alapú számítási módszer között.
A cél, hogy a felhasználó természetes nyelven (pl. chat felületen) adhassa meg a szcenárió paramétereit, melyet a rendszer automatikusan lefordít a szimulátor számára értelmezhető konfigurációs fájlokra.

Mivel az ilyen típusú tudományos eszközök integrációja aktuális kutatási terület, a fejlesztést végül célszerű a Harvard MIMS által gondozott ToolUniverse[1] keretrendszerbe integrálni, ezzel elősegítve a megoldás későbbi széleskörű kutatói felhasználását.

Konkrét feladatok:

  1. Technológiai áttekintés: Az MCP[2] protokoll és a célzott sugárvédelmi Excel eszköz (illetve annak konfigurációs interfészének) megismerése.
  2. Interfész tervezés: Python alapú “wrapper” készítése, amely képes a szimulációs szoftver számára bemeneti konfigurációs fájlokat generálni és a futtatást vezérelni.
  3. LLM Integráció: Az interfész csatlakoztatása egy választott nagy nyelvi modellhez (pl. GPT-5), amely képes a természetes nyelvű felhasználói utasításokat (pl. “két részletben történt a bevitel, 3 óra eltéréssel”) strukturált paraméterekké alakítani.
  4. ToolUniverse adaptáció: A megoldás illesztése a ToolUniverse API specifikációihoz, hogy az ágens “tool”-ként hívható legyen.
  5. Prototípus és tesztelés: Egy működő demó alkalmazás készítése, és a rendszer tesztelése előre megadott szcenáriók alapján.

Elvárt eredmények:

  • Egy működő Python alkalmazás, amely chat interfészen keresztül vezérli a sugárvédelmi számításokat.
  • Dokumentáció a ToolUniverse keretrendszer szabványának való megfelelőségről.
  • Összehasonlító elemzés a manuális vs. asszisztált munkafolyamat hatékonyságáról.

Szükséges ismeretek / Technológiák:

  • Programozás: Python (erős alapismeretek).
  • AI/ML: LLM API-k (OpenAI) vagy keretrendszerek (LangChain) ismerete előny, de nem elvárás.

 

[1] https://github.com/mims-harvard/ToolUniverse

[2] https://modelcontextprotocol.io/