将鲁棒性与人工监督集成到LLM辅助的数字孪生建模工作流中

LLM 辅助建模有望仅从粗略描述和传感器数据快速构建复杂系统的可执行数字孪生。然而，对 LLM 幻觉的鲁棒性、人工监督以及实时模型自适应仍然是具有挑战性且往往相互冲突的需求。我们提出了三项关键设计原则，用于将鲁棒性和监督集成到此类工作流中，这些原则源自我们在 FactoryFlow——一个用于构建制造业系统仿真数字孪生的开源 LLM 辅助框架——上的工作。第一，正交化结构建模与参数拟合。结构描述（组件、连接关系）由 LLM 从粗略自然语言翻译为中间表示（IR），经人工可视化与验证后，由算法转换为最终模型。参数推断则相反，在传感器数据流上持续运行，并配备专家可调控件。第二，将模型 IR 限制为参数化预验证库组件的连接关系，而非单体仿真代码，以实现可解释性和抗错性。第三，也是最重要的，是使用密度保持型 IR。当 IR 描述从紧凑输入大幅扩展时，幻觉错误成比例累积。我们论证了 Python 作为密度保持型 IR 的合理性：循环紧凑地表达规律性，类捕获层次与组合，结果保持高度可读性的同时充分利用 LLM 强大的代码生成能力。一项关键贡献是对不同详细程度和复杂度的模型描述中 LLM 诱导错误的详细表征，揭示了 IR 选择如何关键性地影响错误率。这些见解为构建鲁棒且透明的 LLM 辅助仿真自动化工作流提供了可操作的指导。