AutoTRIZ:TRIZ和大型语言模型的人工创意
本文介绍了大型语言模型如何贡献于设计话语,并自动化其中创造性与推理的部分,例如模拟、实验、拓扑优化等过程,从而构建一套可操作的、以话语为中心的设计框架。
Jun, 2023
大型语言模型(Large Language Models, LLMs),如GPT-4的进步为生成设计提供了新的机会,本文调查了该工具在整个设计和制造流程中的应用。通过一系列示例,我们突出了当前LLMs的优点和局限性,旨在推动这些模型的持续改进和进步。
Jul, 2023
通过使用带有自定义想法数据库的LLM微调的新方法来探索创新问题和解决方案领域,通过在不同温度级别上语义地遍历双向问题和解决方案树,我们在解决方案编辑距离方面实现了高多样性,同时在语义上仍然保持与原始问题陈述的密切联系。此方法除了找到给定问题的各种解决方案外,还可以用于改进和澄清原始问题陈述。作为进一步验证该方法的证明,我们实施了一个概念验证的Slack机器人,作为创新助手。
Feb, 2024
该论文介绍了 AutoRace 和 LLM Reasoners,分别用于评估和实现不同的推理方法,以解决大型语言模型在生成推理链时所面临的挑战。
Apr, 2024
通过调整参数和不同的提示工程技术, 探索大型语言模型在生成多样化设计方案方面的有效性, 并通过比较多个参数和提示工程方法的组合, 以及使用相同多样性指标与人工设计方案进行比较, 结果表明人类生成的解决方案在所有设计主题上始终有更高的多样性评分。
May, 2024
知识的总结和组织对于学习和推理至关重要。我们展示了大型语言模型在知识方面存在显著的不一致性。通过使用简单的知识图谱,我们能够揭示语言模型中的概念上的不一致性,并提出了改进语言模型的策略。
May, 2024
本研究旨在通过多领域知识的传递,提出LLM2FEA作为首次尝试,以发现生成模型中的创新设计。实验结果在3D空气动力学设计方面验证了LLM2FEA的发现能力。LLM2FEA生成的设计不仅在一定程度上满足实用性要求,而且具有新颖而美观的形状,展示了LLM2FEA在发现任务中的潜在应用。
Jun, 2024
本研究解决了大型语言模型在交通工程问题中的表现不足,提出了TransportBench基准数据集来评估这些模型的准确性、一致性与推理行为。通过对多个先进模型的分析,我们发现了它们的独特优势与局限性,特别是Claude 3.5 Sonnet在准确性方面表现出色但存在不一致性。这项研究为利用人工通用智能解决复杂交通挑战迈出了激动人心的一步。
Aug, 2024
本研究解决了大型语言模型在规划任务中的局限性,通过自动化搜索思维(AutoToS)来消除人类参与,从而提高搜索过程的健全性和完整性。该方法通过通用和特定领域的单元测试反馈,引导模型逐步生成有效的搜索组件,实现了所有评估领域100%的准确率,具有重要的实际应用潜力。
Aug, 2024