Khi nào một mô hình ngôn ngữ lớn trở thành một agent cân bằng tốt? Prompt gán nhãn vật lý cho lạp kế hoạch mô phỏng kỹ thuật có ngân sách

Việc hiệu chỉnh các mô phỏng kỹ thuật tốn kém yêu cầu điều chỉnh các tham số mô hình để khớp với dữ liệu tham chiếu, một quá trình bị ràng buộc nặng nề bởi chi phí tính toán. Nghiên cứu này điều tra xem liệu các Large Language Models (LLMs), được điều kiện dựa trên các mô tả chẩn đoán vật lý của lỗi mô phỏng, có thể đề xuất các bản cập nhật tham số có thông tin hơn so với các bộ tối ưu không đạo hàm truyền thống một cách hiệu quả hơn. Nhóm kiểm tra điều này trên một bài toán Large-Eddy Simulation dòng r rãy và một bài toán nghịch đảo dao động bị giảm. Các prompt được gán nhãn vật lý được đánh giá so với bốn phương pháp con trỏ văn bản (được xóa, ẩn danh, thêm padding, lệch hướng) và các bộ tối ưu chuẩn (Nelder-Mead, Bayesian optimization, CMA-ES và tìm kiếm ngẫu nhiên). Kết quả cho thấy lợi thế ngữ nghĩa ban đầu mạnh mẽ: đề xuất LLM đầu tiên có thông tin vật lý cải thiện thiết kế ban đầu trong 23 trên 25 thử nghiệm. Sau năm lần đánh giá, lỗi hiệu chỉnh trung vị thấp hơn 21.9 lần so với nhóm kiểm soát không có thông tin vật lý. Tuy nhiên, lợi thế này là tạm thời - biến mất trước 15 lần đánh giá - và tính biến thái bản nhiên của bộ giải mã LLM tạo ra sự chênh lệch hiệu suất 9.8 lần.