近日，人工智能顶级国际学术会议AAAI 2026公布录用论文。我校人工智能学部能源大数据智慧计算科研团队负责人杜海舟老师及其硕士生李九久撰写的长文论文《Mnemosyne: Accelerating Multi-Hop Question Answering via Cache Hit Order Fitting》与曹渝昆老师及其硕士生徐子睿撰写的长文论文《DCTR: Dual-Constraint Subgraph Optimization for Knowledge Graph-based Retrieval-Augmented Generation》成功入选。这是该团队连续两年在人工智能顶级国际学术会议AAAI上发表大模型领域研究成果。
第一篇论文（Mnemosyne，希腊神话记忆女神的名字）针对大模型多跳问答（Multi-Hop Question Answering, MHQA）中缓存辅助检索增强生成（Cache-aided RAG）的缓存命中率低、检索效率不高的核心瓶颈展开研究。现有方法主要关注检索缓存内部结构和生成阶段的KV缓存优化，却忽略了查询到达顺序与缓存命中顺序之间的错位问题，导致相似查询因访问间隔长而被缓存驱逐，以及严格匹配条件无法利用语义相似性。为此，Mnemosyne设计了基于图重排序的查询顺序优化算法，增强局部性以提升缓存复用；同时引入L1（精确匹配）与L2（实体—文档近似匹配）双级缓存，放宽命中条件并引入幂等规则防止无效循环，从而在有限缓存容量下显著提升缓存命中率与检索效率。实验表明，Mnemosyne实现最高1.81倍的加速比，答案F1分数最高提升13%，实现了效率与效果的最佳权衡。
图1 Mnemosyne框架整体架构概览
这一研究成果对于大模型智能问答与检索系统具有广泛应用前景。在实时交互场景如智能客服与教育辅导中，该技术能够显著降低多轮对话的响应延迟，提升用户体验；在电力边缘计算场景中，其低存储开销与高缓存命中特性适合资源受限设备的高效知识检索；在大规模企业知识库与文档检索系统中，该框架可优化复杂查询的处理流程，降低后端检索负载并加快决策支持；在电力知识问答等专业领域，其高效准确的检索机制能够为专业大模型提供更可靠的知识支撑。长远来看，Mnemosyne为构建下一代低延迟、高效率、强可靠的检索增强生成系统提供了关键技术路径。
第二篇论文（DCTR）针对基于知识图谱的检索增强生成（Knowledge Graph (KG)-based Retrieval-Augmented Generation (RAG)）的子图检索核心瓶颈展开研究。针对传统的KG-RAG方法资源消耗巨大，且产生的子图不完整性和语义漂移的问题。论文提出了一种针对KG-RAG的双约束子图优化方法（DCTR）。该方法改进了子图检索，并为LLM生成具有结构完整性和信息显著性的高质量子图。具体而言，该方法将子图生成建模为一个两阶段图论约束优化问题，以生成紧凑且完整的伪标签。由于这些伪标签是离散的，因此采用平滑近似将其转换为可微表示，从而优化检索器，使其在提取子图的同时突出关键信息。在两个基准数据集上，DCTR显著提升了子图质量，在LLM推理中取得了更好的性能。
图2. DCTR框架整体架构概览
这一研究成果对于知识密集型应用场景具有广阔前景。在金融风控、电力设备故障诊断等高风险领域，DCTR框架能够从海量知识图谱中提取结构完整且语义丰富的证据链，为大模型提供高可靠性的结构化知识，显著增强其决策精度并降低事实性错误风险。在新一代智能问答与搜索引擎中，其独特的可微分子图排序机制能够优化知识的呈现结构，使其更符合大模型的推理习惯，从而生成逻辑更清晰、条理更分明的复杂答案。此外，在电力标准分析及科研文献探索等专业领域，DCTR的双约束优化特性能够挖掘出兼具可靠性和信息密度的推理路径，帮助大模型发现非显而易见的深层关联。长远来看，DCTR框架为实现符号知识与神经推理的深度协同提供了一条关键路径，为构建下一代更可信、更精准、更具解释性的通用人工智能系统奠定了坚实基础。
能源大数据智慧计算团队围绕以人工智能为核心，在分布式机器学习、多模态大模型推理、自然语言处理、知识图谱等关键领域进行持续深耕，并已形成一系列高水平成果。近年来，团队已有多篇高质量论文被NeurIPS、AAAI、ECAI、ECML、CIKM、ICSOC等国际顶级学术会议录用，展现了持续向国际顶尖科研前沿迈进的坚实步伐。团队连续两年论文入选AAAI人工智能顶级国际学术会议，不仅是对团队长期科研工作的高度肯定，更为我校人工智能与大模型推理方向的发展注入了新的动力。未来，团队将继续聚焦科研前沿，致力于产出更多兼具顶尖学术水平与重要现实意义的研究成果。
AAAI全称Association for the Advancement of Artificial Intelligence，成立于1979年，是人工智能领域历史最悠久的国际学术会议之一。该会议被中国计算机学会（CCF）和中国人工智能学会（CAAI）列为A类国际学术会议，在 CORE Conference Ranking中被评为A*级别，其H-5指数176，Impact Score 25.57，长期稳居全球人工智能与机器学习国际学术会议影响力之列。AAAI的投稿数量和竞争激烈程度屡创新高，2026年度近23,680篇论文投稿，最终录用率仅为17.6%，体现出其极高的学术认可度与难度。本次成果的入选，不仅代表了团队在大模型推理方向上的重要进展，也标志着我校在人工智能领域的国际影响力实现了新跨越。
人工智能学部 供稿