NIMMGen：基于 LLM 的神经集成机械数字孪生学习方法
机器学习
2026-02-23 v1 人工智能
计算与语言
摘要
机械模型对动力系统的科学知识进行编码，广泛应用于下游科学和政策应用中。近期研究探索了基于 LLM 的智能体框架，从数据自动构建机械模型；然而，现有问题设定大幅简化了现实情境，导致 LLM 生成的机械模型在实际中是否可靠尚不清晰。为填补这一空白，我们引入神经集成机械建模（NIMM）评估框架，在真实情境下（包括部分观测和多样化任务目标）评估 LLM 生成的机械模型。我们的评估揭示了当前基线方法面临的根本挑战，涵盖模型有效性及代码层面正确性等方面。针对这些发现，我们设计了 NIMMgen，一种用于神经集成机械建模的智能体框架，通过迭代细化提升代码正确性和实际有效性。跨越来自多样化科学领域的三个数据集的实验表明，其性能卓越。我们还展示了所学机械模型支持反事实干预仿真。
引用
@article{arxiv.2602.18008,
title = {NIMMGen: Learning Neural-Integrated Mechanistic Digital Twins with LLMs},
author = {Zihan Guan and Rituparna Datta and Mengxuan Hu and Shunshun Liu and Aiying Zhang and Prasanna Balachandran and Sheng Li and Anil Vullikanti},
journal= {arXiv preprint arXiv:2602.18008},
year = {2026}
}
备注
19 pages, 6 figures