通过领域特定大语言模型激发住宅能源改造决策
计算机与社会
2026-04-23 v2 人工智能
摘要
住宅能源改造往往因专业知识差距而停滞， homeowner 缺乏进行结构化建筑能源评估所需的技术素养，从而陷入信息碎片化、低信息环境。为弥合这一差距，本研究报告了一种针对住宅能源改造的 domain-specific 大语言模型（LLM），旨在仅依据 homeowner 可访问的自然语言描述（例如建筑年龄、规模和位置）来 catalyze 有知觉决策。该模型采用参数高效的低秩适应（LoRA）微调方法，在基于 536,416 套美国住宅建筑原型的基于物理的能源模拟和技术经济计算所构成的大型语料库上进行训练。评估九大改造类别，包括围护结构升级、HVAC 系统和可再生能源安装。针对基于物理的基准进行的验证显示，该模型始终能够识别出高质量的改造选项，实现了 98.9% 的最大二氧化碳减排 top-3 命中率和 93.3% 的最短贴现回收年份命中率。此外，该模型在输入不完整情况下的鲁棒性表现突出，即使基本 dwelling 描述仅为 60% 部分指定，性能也保持稳定。通过显著降低非 expert 用户的信息激活能量，同时保持科学严谨性，该 physics-based AI 模型为实现面向用户的决策、加速社区和国家规模上的累计能源节省和排放降减提供了可扩展的路径。
引用
@article{arxiv.2602.20181,
title = {Catalyzing Informed Residential Energy Retrofit Decisions via Domain-Specific LLM},
author = {Lei Shu and Dong Zhao and Jianli Chen and Armin Yeganeh and Sinem Mollaoglu and Jiayu Zhou},
journal= {arXiv preprint arXiv:2602.20181},
year = {2026}
}