Este artículo presenta un marco de trabajo humano-en-el-bucle para identificar y reparar automáticamente errores semánticos en modelos SysML v2 que los compiladores no pueden detectar. El enfoque combina Pequeños Modelos de Lenguaje ajustados finamente con un grafo de conocimiento del dominio para fundamentar las sugerencias de reparación en restricciones de ingeniería válidas.

  • El marco de trabajo utiliza Qwen2.5-Coder-1.5B y DeepSeek-Coder-6.7B para generar parches diff unificados para la localización de fallos y reparaciones candidatas.
  • Un grafo de conocimiento del dominio codifica reglas de compatibilidad física, guiando la generación de datos de entrenamiento sintéticos y la inferencia.
  • La evaluación de 1,184 muestras de prueba muestra que la reparación de fallos semánticos mejoró de menos del 3% a más del 91%.
  • La salida basada en parches reduce la longitud de tokens en más del 60% en comparación con métodos anteriores.

El marco de trabajo proporciona un camino práctico hacia la verificación asistida por IA de modelos que complementa las herramientas MBSE existentes mientras preserva el juicio humano en el proceso de diseño.