Ottimizzazione assistita da LLM per la riprogettazione basata su simulazioni

Abstract degli autori

La progettazione ingegneristica comporta spesso la riprogettazione di una soluzione precedente per adattarla ai cambiamenti del contesto, come i prezzi dei materiali o i requisiti del sistema. Per garantire la qualità globale della soluzione, la riprogettazione si avvale spesso di simulatori troppo complessi e/o onerosi dal punto di vista computazionale per i solutori numerici tradizionali, che non dispongono delle conoscenze ingegneristiche e del contesto necessari. I modelli linguistici di grandi dimensioni (LLM) possono interpretare informazioni semantiche, comprese le conoscenze ingegneristiche sul sistema e sui cambiamenti del contesto, per contribuire a guidare la ricerca; studi recenti hanno mostrato che integrare queste conoscenze nell’ottimizzazione può migliorare le prestazioni della ricerca. Tuttavia, non è ancora chiaro quale sia il modo migliore per combinare gli LLM con i solutori numerici nella riprogettazione. Sviluppiamo e testiamo un approccio integrato di ottimizzazione assistita da LLM per la riprogettazione e confrontiamo tre metodi per sfruttare gli LLM (warm start, fissaggio delle variabili e ReAct) e quattro solutori black-box (ottimizzazione bayesiana, algoritmi genetici, ricerca diretta adattiva su griglia e ricerca casuale) in un caso di studio sulla minimizzazione dei costi di un pacco batterie per veicoli elettrici, considerando quattro tipi di scenari di riprogettazione. Riscontriamo che l’approccio integrato può eguagliare i metodi di riferimento basati su solutori numerici nell’individuazione di progetti fattibili, usando l’80% in meno di valutazioni del simulatore e triplicando la quota di esecuzioni che individuano soluzioni quasi ottimali. Riscontriamo che il metodo migliore per integrare LLM e solutori, così come il modo in cui viene sfruttata la soluzione precedente, dipendono dalla struttura del cambiamento dei requisiti di progettazione e che i vantaggi derivanti dall’aumento delle dimensioni del modello LLM crescono con il grado di controllo che l’LLM esercita sulla ricerca. Questi risultati mostrano il chiaro potenziale degli LLM nelle attività di riprogettazione, per guidare o sostituire i solutori numerici.