LLM校准仿真器5次评估误差降21.9倍，混合策略9次达精度
When is a large language model a good calibration agent? Physics-labeled prompting for budgeted engineering simulator calibration
📖 AI 总结
本研究探讨大语言模型能否在计算预算受限的条件下，作为工程仿真器校准代理，高效提出参数更新。作者在圆柱尾流大涡模拟与阻尼振子逆问题上，将带有物理诊断标签的提示与四种文本消融变体及Nelder-Mead、贝叶斯优化、CMA-ES、随机搜索等标准优化器进行对比。结果显示，物理信息提示具有明显的早期语义优势：25次试验中有23次首个提议即改善初始设计，五次评估后中位校准误差比无物理信息对照组低21.9倍；但该优势在十五次评估后消失，且解码器随机性导致9.8倍的性能波动。为此，作者提出将LLM用作热启动、再把累积评估交给传统优化器的两阶段混合流程，仅需9次仿真即达到目标精度，优于单独使用LLM（12次）、Nelder-Mead（17次）和贝叶斯优化（超过60次）。研究表明，物理标签提示的LLM在严格评估预算下是有效的校准代理，但更适合与数值优化结合使用。
🔑 关键词速览
| Large Language Models (LLMs) | 大型语言模型，基于海量文本训练的深度学习模型，能够理解和生成自然语言。 |
| Physics-labeled prompting | 物理标记提示，在提示中融入物理诊断描述以引导LLM生成参数更新。 |
| Derivative-free optimizers | 无导数优化器，不依赖梯度信息，仅通过函数评估进行优化的算法。 |
| Large-Eddy Simulation (LES) | 大涡模拟，一种计算流体力学方法，直接解析大尺度涡流而模化小尺度涡流。 |
| Numerical continuation policy | 数值延拓策略，一种分阶段优化方法，将前一阶段的结果作为下一阶段的初始值。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅