LLM引导搜索可大幅减少仿真评估并提升近优解比例。
资讯摘要
论文研究如何将大语言模型与数值求解器结合用于工程重设计，以电动汽车电池包成本最小化为案例，比较warm start、变量固定和ReAct三种LLM用法与贝叶斯优化、遗传算法、MADS和随机搜索四种黑盒求解器。作者报告，集成方法在仿真评估次数减少80%的情况下达到与数值求解器基线相同的可行设计发现率，并将找到近优解的运行比例提高两倍。最佳组合方式取决于设计需求变化的结构，LLM模型规模带来的收益随其控制搜索的程度而增加。
要点速读
- 论文在电动汽车电池包成本最小化案例中比较三种LLM用法与四种黑盒求解器。
- 作者报告集成方法以少80%的仿真评估达到基线可行设计发现水平，近优解运行比例提高两倍。
- 最佳LLM-求解器组合及先验方案利用方式取决于设计需求变化的结构。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。