Neueste fortschrittliche große Sprachmodelle (LLMs) haben ihre emergente Fähigkeit des kontextuellen Lernens demonstriert, was intelligente Entscheidungsfindung durch natürliche Sprachaufforderungen ohne Retraining erleichtert. Dieses neue Paradigma des maschinellen Lernens hat in verschiedenen Bereichen, einschließlich allgemeiner Steuerungs- und Optimierungsprobleme, vielversprechende Ergebnisse gezeigt. Inspiriert von diesen Fortschritten untersuchen wir das Potenzial von LLMs für eine spezifische und wesentliche Ingenieuraufgabe: die parametrische Formoptimierung (PSO). Wir entwickeln einen Optimierungsrahmen, LLM-PSO, der ein LLM nutzt, um die optimale Form parametrischer Ingenieurentwürfe im Geiste evolutionärer Strategien zu bestimmen. Mit Claude 3.5 Sonnet als Standard-LLM bewerten wir LLM-PSO bei drei PSO-Problemen mit Strömungseinfluss: (1) Maximierung des Auftriebs-zu-Widerstands-Verhältnisses eines zweidimensionalen Tragflügels in laminarer Strömung, (2) Minimierung des Widerstands eines dreidimensionalen rotationssymmetrischen Körpers in Stokes-Strömung und (3) Minimierung des thermischen Widerstands des Lamellenprofils eines Wärmetauschers in einem gekoppelt thermohydraulischen Rahmen. In allen Fällen stellt LLM-PSO zuverlässig die Referenzlösungen wieder her und konvergiert schnell, gleichwertig und gelegentlich übertreffend die Leistung konventioneller Optimierer. Experimente mit drei zusätzlichen LLMs zeigen ähnlich robuste Verhaltensweisen, wobei neuere Modelle eine bessere Leistung aufweisen. Unsere vorläufige Untersuchung könnte weitere Forschungen zur Nutzung von LLMs für die Formoptimierung und Ingenieurgestaltung im weiteren Sinne inspirieren.
Zhang et al. (Fri,) haben diese Frage untersucht.