Компьютерные науки > Машинное обучение [представлено 1 октября 2026 года] Название: Когда большая языковая модель является хорошим калибровочным агентом? С помощью физико-маркировки, стимулирующей составление бюджета на калибровку инженерного имитационного моделирования Вид PDF HTML (экспериментальный) Резюме: Для проведения анализа дорогостоящих инженерных имитаторов требуется корректировка параметров модели с учетом исходных данных - процесс, который в значительной степени сдерживается вычислительными расходами. В этом исследовании изучается вопрос о том, могут ли модели большого языка (ММЛ), основанные на физических диагностических описаниях ошибок моделирования, предлагать информационные обновления параметров более эффективным образом по сравнению с обычными без производных оптимизаторами. Мы проверяем это на симуляции Большого Эдди и обратной проблеме опрокинутых осцилляторов. Физические маркированные посылки оцениваются по четырем текстовым аблям (отмененные, анонимные, добавленные, неправильно направляемые) и стандартным оптимистам (Nelder-Mead, Bayesian оптимизация, CMA-ES и случайный поиск). Результаты свидетельствуют о значительном раннем преимуществе семантики: первое предложение LLM, основанное на физике, улучшает первоначальный дизайн в 23 из 25 испытаний. После пяти оценок средняя погрешность калибровки в 21,9 раза меньше, чем у нефизического контроля. Однако это преимущество носит временный характер - исчезает на 15 оценках, - и имманентная изменчивость…
Когда большая языковая модель является хорошим калибровочным агентом? Физическая маркировка, инициирующая проведение предусмотренной в бюджете калибровки инженерных имитаторов
arXiv: 2610.22379v1 Annuate Type: новый резюме: для калибровки дорогостоящих инженерных имитаторов требуется настройка параметров модели с учетом исходных данных, что в значительной степени ограничивается вычислительными расходами. В этом исследовании изучается вопрос о том, могут ли модели большого языка (ММЛ), основанные на физических диагностических описаниях ошибок моделирования, предлагать информационные обновления параметров более эффективным образом по сравнению с обычными без производных оптимизаторами. Мы проверяем это на симуляции Большого Эдди и обратной проблеме опрокинутых осцилляторов. Физические маркированные посылки оцениваются по четырем текстовым аблям (отмененные, анонимные, добавленные, неправильно направляемые) и стандартным оптимистам (Nelder-Mead, Bayesian оптимизация, CMA-ES и случайный поиск). Результаты свидетельствуют о значительном раннем преимуществе семантики: первое предложение LLM, основанное на физике, улучшает первоначальный дизайн в 23 из 25 испытаний. После пяти оценок средняя погрешность калибровки в 21,9 раза меньше, чем у нефизического контроля. Однако, эта адванта
