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

通过利用大型语言模型的指导进化框架，研究证明了机器学习模型的自主进化和增强设计的潜力。

Mar, 2024

本文介绍了一种协作设计框架，将交互进化和大型语言模型相结合，模拟典型的人类设计过程，并在三个远程人类设计师的游戏设计任务中对该框架进行了评估。

Feb, 2023

基于大型语言模型（LLMs）和进化算法（EAs）的优势和互补性，本文提出了一篇综合综述和展望性的论文，将它们的相互启示分为 LLM 增强进化优化和 EA 增强 LLM 两个方面，并介绍了一些整合方法来论证在各种应用场景中 LLMs 与 EAs 的融合。这篇论文是围绕 LLMs 时代的 EA 研究的首个综合综述，为了解和利用 LLMs 与 EAs 之间的协作潜力奠定了基础，并提供了挑战和未来方向的指导。

Jan, 2024

本文探讨了在大规模多目标优化领域中，生成 AI（GenAI）和进化算法（EAs）的无缝集成。通过着眼于大型语言模型（LLMs）的变革性作用，我们的研究调查了 LLM 辅助推理在自动化和增强决策过程中的潜力。具体而言，我们突出了 LLM 在揭示进化优化解决方案中的关键决策变量和表述上下文权衡方面的有效性。我们的方法旨在解决在大规模推断复杂多目标优化解决方案中固有的挑战，强调 LLM 的适应性，使其能够提供细致入微的解释，并使其语言与不同利益相关者的专业水平和领域偏好保持一致。经验证明，LLM 辅助推理在实际决策场景中具有实际可应用性和影响力。

May, 2024

通过提出一个框架，使用户能够无缝地探索、评估和综合多种响应，并通过 Luminate 互动系统与 8 名专业作家的用户研究展示了这个框架的可行性和有用性，我们推进了与大型语言模型的创造性任务互动的方式，引入了一种利用大型语言模型的创造潜力的方法。

Oct, 2023

使用 Transformer 神经网络和大型语言模型进行材料分析、知识生成和力场开发的研究。

Oct, 2023

本文探讨了新兴生成式人工智能（GenAI）模型，如大型语言模型（LLM），如何增强过程系统工程（PSE）中的解决方法学。研究发现，这些尖端的 GenAI 模型，特别是基础模型（FM），在广泛的任务范围内，如回答查询、图像生成和复杂决策等方面提供了多功能适应性。本文深入介绍了经典和新兴的 GenAI 模型，包括 FM，并探讨了它们在 PSE 的关键领域内的应用，如合成和设计、优化和整合以及过程监测和控制。此外，本文还讨论了在充分利用 GenAI 在 PSE 中的潜力方面所面临的潜在挑战，包括多尺度建模、数据要求、评估指标和基准、以及信任与安全性，从而加深对如何将 GenAI 有效集成到系统分析、设计、优化、运营、监控和控制中的探讨。该研究为未来关于在 PSE 中应用新兴 GenAI 的研究提供了指导。

Feb, 2024

通过采用大型语言模型和特征生成提示的新方法，我们提出了一种动态自适应的特征生成方法，提高了特征生成过程的可解释性，并扩展了在各种数据类型和任务上的适用性，相比现有方法具有更高的策略灵活性。一系列实验证明我们的方法明显优于现有方法。

Jun, 2024

本文阐述了预训练的大型语言模型（LLMs）和进化算法（EAs）之间的强一致性，包括多个一对一的关键特性：记号嵌入和基因型 - 表现型映射，位置编码和适应度塑形，位置嵌入和选择，注意力和交叉，前馈神经网络和突变，模型训练和参数更新，以及多任务学习和多目标优化。在这一一致性视角下，分析了现有的耦合研究，包括进化微调和 LLM 增强型 EAs。借助这些见解，我们概述了未来将 LLMs 和 EAs 耦合的基本研究路线图，并强调了其中的关键挑战。这种一致性不仅揭示了 LLMs 背后的进化机制，还促进了接近或超越生物机构的发展的进化人工智能代理的发展。

Jan, 2024