Jun, 2024

物理集成迭代建模的领域专用反应：燃气涡轮气道分析中 LLM 代理的案例研究

PDF
TL;DR本研究探讨了在能源和电力工程领域中使用大型语言模型（LLMs）与可调用工具进行研究，并重点关注燃气轮机的燃气通道分析。我们开发了双代理工具调用过程，以整合专家知识、预定义工具和 LLM 推理。我们评估了包括 LLama3、Qwen1.5 和 GPT 在内的各种 LLMs。较小的模型在工具使用和参数提取方面存在困难，而较大的模型展示了较好的能力。所有模型都面临着复杂、多组分问题的挑战。基于测试结果，我们推测具有近 1000 亿参数的 LLMs 可以通过精调和先进的提示设计满足专业场景需求。持续的发展可能提高其准确性和效果，为更强大的基于人工智能的解决方案铺平道路。
large language modelscallable toolsgas path analysisenergy and power engineeringai-driven solutions
发现论文，激发创造
  • 模拟中的 LLM 实验：用于数字孪生中的过程仿真参数化的大型语言模型多主体系统

    本文介绍了一种新颖的多智能体系统框架设计，利用大型语言模型（LLM）自动化数字孪生中的过程模拟参数化。我们提出了一个多智能体框架，包括观测、推理、决策和总结四种类型的智能体。通过启用 LLM 智能体与模拟模型之间的动态交互，该系统可以自动探索模拟的参数化，并使用启发式推理确定一组参数以控制模拟以实现目标。所提出的方法通过将 LLM 的启发式融入模拟模型，增强了模拟模型，并通过协助复杂的决策过程，增加了对用户的友好性并减轻了用户的认知负荷。通过案例研究证明了系统的有效性和功能，并在 GitHub 存储库中提供可视化演示。

    May, 2024

  • 利用先前未见工具使大型语言模型能够执行电力系统模拟：以 Daline 为例

    通过将实验技术与大语言模型（LLM）相结合，科学研究的转型正在改变研究领域，提供了超越专业问题解决的人工智能能力，成为人类科学家的研究助手。该研究提出了一个模块化框架，将电力系统和 LLM 领域的专业知识集成，以解决 LLMs 在电力系统仿真方面面临的挑战，从而提高 LLMs 在先前未知工具上进行电力系统仿真的能力。通过在 Daline 中使用 34 个仿真任务进行验证，这个框架将 GPT-4o 的仿真编码准确率从 0% 提高到 96.07%，同时超过了 ChatGPT-4o 网络界面的 33.8% 准确率（已上传整个知识库）。这些结果突显了 LLMs 作为电力系统研究助手的潜力。

    Jun, 2024

  • 大语言模型在工业工程中的应用研究：ChatGPT 在油气问题上的表现案例

    本文讨论了大型语言模型在解决复杂问题，尤其是石油和天然气工程领域的应用，介绍了目前的 ChatGPT 方法在实际问题中的局限性，并讨论了大型语言模型的优势和适用的领域。

    Apr, 2023

  • 大型语言模型作为机械设计师

    本研究提出了一种新颖的方法，将预训练的 LLMs 与有限元模块集成。FEM 模块评估每个设计并提供必要的反馈，引导 LLMs 不断学习、规划、生成和优化设计，无需进行特定领域的训练。我们通过对桁架结构的迭代优化进行实证研究，展示了提出的框架的有效性，显示它能够根据结构化反馈和标准进行推理和改进设计。我们的结果显示，这些基于 LLM 的代理能够以高达 90% 的成功率生成符合自然语言规范的桁架设计，但成功率根据应用的约束条件而变化。我们通过采用基于提示的优化技术表明，当向 LLM 代理提供解决方案 - 评分对以迭代地改进设计以满足规范时，它们具备优化行为能力。LLM 代理能够生成可行的设计并根据其内在推理能力进行优化的能力，突显其实现自主设计策略的潜力。

    Apr, 2024

  • 通过调整和多分支推理增强低参数 LLMs 的普通代理能力

    通过构建特定于代理的数据和有监督微调模型，以及设计有效激活大型语言模型推理能力的提示方法，我们提出了一种综合的方法来提高大型语言模型作为代理的性能，并通过在 AgentBench 的五个代理任务上的评估取得了令人满意的结果。

    Mar, 2024

  • 小型 LLM 是弱工具学习者：多 LLM 代理

    我们提出了一个模块化的多语言模型框架，将大型语言模型能力分解为规划器、调用器和摘要生成器，并通过两阶段训练范式有效地训练该框架，该框架在各种工具使用基准测试中表现出超越传统单语言模型方法的效果，凸显了其在工具学习中的功效和优势。

    Jan, 2024

  • MAgIC: 大型语言模型驱动的多智能体在认知、适应性、合理性和协作方面的基准测试

    这项研究介绍了一个专门用于评估大型语言模型在多主体环境中能力的基准测试框架，通过游戏和博弈论场景来创建不同的测试环境，并利用概率图模型方法增强模型的导航能力，最终量化评估了七种不同大型语言模型的能力，发现最强模型 GPT-4 和最弱模型 Llama-2-70B 之间存在三倍的能力差距，同时证实了概率图模型增强了所有模型的能力，平均提高了 50%。

    Nov, 2023

  • 低限制机制的物理模拟能力

    大型语言模型结合计算物理学和编程能力，能够模拟和预测物理世界，但目前的最先进模型在计算物理问题上仍具有显著的失败模式和改进空间。

    Dec, 2023

  • LLM-Deliberation：用互动多智能体协商游戏评估 LLMs

    使用可评分的协商游戏作为新的评估框架，系统化的零样本链式思考提示能够展示大型语言模型在协商中的能力和绩效差距。

    Sep, 2023

  • 地质技术工作流的未来保障：通过大型语言模型加速问题解决

    大型语言模型在岩土工程中的创新应用以及对数据处理和决策的提升潜力进行了探讨，同时指出了实施大型语言模型的挑战和专家监督的必要性。

    Dec, 2023