Cula Trust：基于混合AI的生物炭碳移除声明验证系统

本文介绍Cula Trust项目——一个用于验证生物炭碳捕获项目中碳移除声明的混合AI系统。该系统结合规则验证、图神经网络和异常检测技术，在供应链数据上构建可信碳信用验证机制，为碳中和领域技术创新提供参考。项目由notHacker1917开发，发布于2026年6月6日GitHub平台。

随着全球碳中和目标推进，生物炭作为有效碳捕获封存技术受关注，但碳移除声明验证是行业痛点。Cula Trust项目应运而生，是混合AI系统，专为验证生物炭碳捕获项目的碳移除声明设计，于HackHPI 2026黑客松开发，结合规则验证、图神经网络和异常检测技术，为碳信用市场提供技术保障。

Cula Trust提供轻量级Python库与公共API交互，技术栈包括Python3.10+、httpx、Pydantic v2、NetworkX、Matplotlib。API端点为https://api.hack-hpi.cula.earth。核心功能模块如下：

方法	功能描述
list_sinks()	获取所有碳汇（sink）的UUID列表
get_sink(id)	获取指定碳汇的完整模型（包含图结构、场地、材料等）
download_document(id)	下载证明文件原始字节数据
list_machines(site_id)	获取指定捕获场地的设备列表
list_machine_data_points(machine_id)	获取设备数据点配置
get_machine_data(requests)	批量查询设备时序数据

数据模型围绕碳汇（Sink）构建，包含图结构、捕获场地、材料、容器、生命周期事件、LCA实体等供应链信息。项目使用图神经网络（GNN）分析供应链图谱：通过build_sink_graph函数转换为NetworkX图结构，可检测异常节点/边、验证声明与数据一致性、识别欺诈或数据不一致。图可视化采用力导向布局，碳汇在右侧，其他实体按图距离分层排列。

Cula Trust核心创新为混合验证机制，结合三种技术：

1. 规则验证：基于专家知识筛选声明，如验证碳移除量物理可行性、时间戳合理性、供应链连续性。
2. 图神经网络：学习供应链正常模式，识别异常声明，捕获复杂关系、历史模式，对新声明风险评分。
3. 异常检测：在时序数据上应用统计与ML方法，检测异常物料流量、工艺参数、数据错误。

应用场景与价值：

• 碳信用验证：提供透明度（API公开数据）、可追溯性（完整生命周期记录）、自动化验证（减少人工成本）、欺诈检测（GNN识别异常）。
• 生物炭项目监控：为生产商和购买者提供实时生产数据监控、碳移除量真实性验证、供应链风险评估。

Cula Trust展示了AI技术在应对气候变化中的创新应用，通过结合图神经网络、异常检测与领域知识，为碳移除声明验证提供可靠方案。随着碳信用市场发展，此类技术方案将更重要，不仅为生物炭项目提供工具，也为碳中和领域创新提供参考。