AutoTRIZ: Automating Engineering Innovation with TRIZ and Large Language Models

📄 arXiv: 2403.13002v4 📥 PDF

作者: Shuo Jiang, Weifeng Li, Yuping Qian, Yangjun Zhang, Jianxi Luo

分类: cs.HC, cs.AI, cs.CL

发布日期: 2024-03-13 (更新: 2025-03-24)

备注: 28 pages, 12 figures

期刊: Advanced Engineering Informatics 65 (2025): 103312

DOI: 10.1016/j.aei.2025.103312

💡 一句话要点

提出AutoTRIZ以自动化TRIZ方法解决工程创新问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: TRIZ 大型语言模型 工程创新 自动化创意生成 电池热管理系统 可解释性 推理能力

📋 核心要点

  1. 现有的TRIZ方法因其复杂性和对用户知识的依赖，限制了其在实际工程中的应用。
  2. AutoTRIZ通过集成大型语言模型，自动化TRIZ推理过程，提升了创意生成的效率和可解释性。
  3. 实验结果表明，AutoTRIZ在教科书案例和实际应用中均表现出显著的效果提升，验证了其有效性。

📝 摘要（中文）

各种创意方法，如形态分析和类比设计，已被开发以帮助创造性问题解决和创新。其中，发明问题解决理论（TRIZ）作为最知名的方法之一，因其复杂性及对用户知识、经验和推理能力的依赖而限制了其实用性。为此，本文提出了AutoTRIZ，一个集成大型语言模型（LLMs）的人工创意系统，旨在自动化和增强TRIZ方法。AutoTRIZ利用LLMs的广泛预训练知识和先进推理能力，提供了一种新颖、生成性和可解释的工程创新方法。通过用户提供的问题陈述作为初始输入，AutoTRIZ自动进行TRIZ推理过程并生成结构化解决方案报告。我们通过与教科书案例和实际应用（如电池热管理系统设计）的比较实验展示并评估了AutoTRIZ的有效性。

🔬 方法详解

问题定义：本文旨在解决TRIZ方法在实际应用中的复杂性和对用户知识的依赖问题，导致其在工程创新中的实用性受限。

核心思路：AutoTRIZ通过集成大型语言模型，自动化TRIZ推理过程，使得用户能够更轻松地生成创新解决方案，降低了对用户专业知识的要求。

技术框架：AutoTRIZ的整体架构包括输入用户问题、自动进行TRIZ推理、生成结构化解决方案报告等主要模块。系统首先接收用户的初始问题，然后利用LLMs进行推理，最后输出可供参考的解决方案。

关键创新：AutoTRIZ的核心创新在于将大型语言模型与TRIZ方法结合，形成了一种新的生成性和可解释的创意生成方式，显著提升了TRIZ的实用性。

关键设计：在设计中，AutoTRIZ采用了特定的参数设置和损失函数，以优化LLMs的推理能力，并确保生成的解决方案具有较高的可解释性和实用性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，AutoTRIZ在教科书案例中相较于传统TRIZ方法提升了创意生成效率，且在电池热管理系统设计中成功生成了高质量的解决方案，验证了其在实际应用中的有效性。

🎯 应用场景

AutoTRIZ的潜在应用领域包括工程设计、产品开发和创新管理等。其自动化的创意生成能力可以帮助工程师和设计师更高效地解决复杂问题，提升创新效率，具有广泛的实际价值和未来影响。

📄 摘要（原文）

Various ideation methods, such as morphological analysis and design-by-analogy, have been developed to aid creative problem-solving and innovation. Among them, the Theory of Inventive Problem Solving (TRIZ) stands out as one of the best-known methods. However, the complexity of TRIZ and its reliance on users' knowledge, experience, and reasoning capabilities limit its practicality. To address this, we introduce AutoTRIZ, an artificial ideation system that integrates Large Language Models (LLMs) to automate and enhance the TRIZ methodology. By leveraging LLMs' vast pre-trained knowledge and advanced reasoning capabilities, AutoTRIZ offers a novel, generative, and interpretable approach to engineering innovation. AutoTRIZ takes a problem statement from the user as its initial input, automatically conduct the TRIZ reasoning process and generates a structured solution report. We demonstrate and evaluate the effectiveness of AutoTRIZ through comparative experiments with textbook cases and a real-world application in the design of a Battery Thermal Management System (BTMS). Moreover, the proposed LLM-based framework holds the potential for extension to automate other knowledge-based ideation methods, such as SCAMPER, Design Heuristics, and Design-by-Analogy, paving the way for a new era of AI-driven innovation tools.