LLM-Assisted Optimization for Simulation-Based Redesign

📄 arXiv: 2610.39275v1 📥 PDF

作者: Chan-Eui Song, Jeremy J. Michalek, Christopher McComb

分类: cs.AI, cs.CE, math.OC

发布日期: 2026-10-29

备注: 17 pages, 12 figures, 11 tables. Submitted to the ASME Journal of Mechanical Design. Code: https://github.com/Chani-song/WAFER, data: https://huggingface.co/datasets/Chani-Song/wafer-jmd-release-data

💡 一句话要点

提出LLM辅助优化方法以解决仿真重设计问题

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

关键词: 大型语言模型 工程重设计 优化方法 仿真技术 数值求解器 电动车设计 黑箱优化

📋 核心要点

  1. 现有的数值求解器在处理复杂仿真时缺乏工程知识，导致重设计效率低下。
  2. 论文提出了一种集成LLM与数值求解器的方法，通过引入LLM的语义理解来优化重设计过程。
  3. 实验结果显示，该方法在仿真评估次数减少80%的情况下，找到近似最优解的比例提高了三倍。

📝 摘要（中文）

工程设计常常需要对先前的解决方案进行重设计，以适应材料价格或系统需求等上下文的变化。重设计通常依赖于复杂且计算密集的仿真器，而传统数值求解器缺乏工程知识和上下文，难以确保全局解的质量。大型语言模型（LLMs）能够解释语义信息，包括系统的工程知识和上下文变化，从而帮助指导搜索。本文开发并测试了一种集成的LLM-优化方法，比较了三种利用LLM的方法和四种黑箱求解器在电动车电池组成本最小化案例研究中的表现。结果表明，该集成方法在80%的仿真评估次数下，能够匹配数值求解器基线的可行设计发现，并且找到近似最优解的比例提高了三倍。

🔬 方法详解

问题定义：本文旨在解决在复杂仿真环境下进行工程重设计时，传统数值求解器效率低下和缺乏上下文理解的问题。现有方法在处理复杂设计要求变化时，往往无法有效利用仿真器的潜力。

核心思路：论文提出通过集成大型语言模型（LLM）与数值求解器，利用LLM的语义理解能力来指导优化搜索过程，从而提高重设计的效率和效果。

技术框架：整体架构包括三个主要模块：首先是LLM的语义信息提取，其次是与数值求解器的集成，最后是优化搜索过程的执行。具体方法包括热启动、变量固定和ReAct等策略。

关键创新：最重要的技术创新在于将LLM与多种黑箱求解器（如贝叶斯优化、遗传算法等）结合，形成了一种新的优化策略，显著提高了设计发现的效率和质量。

关键设计：在实验中，采用了不同的LLM模型大小和参数设置，以评估其对搜索过程的控制能力，发现LLM模型规模的增加与其在搜索中的控制程度成正比，能够有效提升重设计的性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，集成的LLM-优化方法在80%的仿真评估次数下，能够实现与传统数值求解器相当的可行设计发现，并且找到近似最优解的比例提高了三倍，显示出LLM在重设计任务中的巨大潜力。

🎯 应用场景

该研究的潜在应用领域包括电动车、航空航天和其他需要复杂系统设计的工程领域。通过引入LLM，工程师可以更高效地进行设计重构，适应市场和技术的变化，提升产品的竞争力和创新能力。

📄 摘要（原文）

Engineering design frequently involves redesigning a prior solution to adapt to changes in context, such as material prices or system requirements. Redesign often leverages simulators too complex and/or computationally intensive for traditional numerical solvers, which lack engineering knowledge and context, to ensure global solution quality. Large language models (LLMs) can interpret semantic information, including engineering knowledge about the system and changes in context, to help guide search, and recent studies have shown that incorporating this knowledge into optimization can improve search performance. However, how best to combine LLMs with numerical solvers in redesign remains unclear. We develop and test an integrated LLM-optimization approach for redesign and compare three methods for leveraging LLMs (warm start, variable fixing and ReAct) and four black-box solvers (Bayesian optimization, genetic algorithms, mesh adaptive direct search and random search) on an electric vehicle battery pack cost minimization case study across four types of redesign scenarios. We find that the integrated approach can match feasible design discovery of the numerical-solver baselines with 80% fewer simulator evaluations while tripling the fraction of runs that find near-optimal solutions. We find that the best LLM-solver integration approach and the way the prior solution is leveraged depend on the structure of the design requirement change, and that the benefit of increasing LLM model size grows with the extent to which the LLM controls the search. These results show clear potential for LLMs in redesign tasks for guiding or replacing numerical solvers.