TL;DR
- مشاهده PDF HTML (تجربی) چکیده:.
- بهینهسازی شبیهسازی طراحی صنعتی تکراری توسط شکاف معنایی CAD-CAE با تنگنا مواجه شده است:.
- ترجمه بازخورد شبیهسازی به ویرایشهای هندسی معتبر تحت محدودیتهای متنوع و همراه.
چه اتفاقی افتاد
مشاهده PDF HTML (تجربی) چکیده:. بهینهسازی شبیهسازی طراحی صنعتی تکراری توسط شکاف معنایی CAD-CAE با تنگنا مواجه شده است:.
ترجمه بازخورد شبیهسازی به ویرایشهای هندسی معتبر تحت محدودیتهای متنوع و همراه. برای پر کردن این شکاف،.
ما COSMO-Agent (بهینهسازی حلقه بسته،. شبیهسازی و هماهنگسازی مدلسازی)،.
یک چارچوب یادگیری تقویتشده با ابزار (RL) را پیشنهاد میکنیم که به LLMها میآموزد تا فرآیند CAD-CAE حلقه. بسته را تکمیل کنند.
به طور خاص،. ما تولید CAD،.
حل CAE،. تجزیه نتیجه،.
و بازبینی هندسه را به عنوان یک محیط RL تعاملی میسازیم،. جایی که یک LLM یاد میگیرد که ابزارهای خارجی را هماهنگ کند و هندسههای پارامتریک را تا زمانی.
که محدودیتها برآورده شود،. اصلاح کند.
برای اینکه این یادگیری پایدار و قابل استفاده صنعتی باشد،. یک پاداش چند محدودیتی طراحی می کنیم که به طور مشترک امکان سنجی،.
استحکام زنجیره ابزار و اعتبار خروجی ساختاریافته را تشویق می کند. علاوه بر این،.
ما یک مجموعه داده همسو با صنعت را ارائه دهید که 25 دسته مؤلفه را با وظایف CAD-CAE. قابل اجرا برای پشتیبانی از آموزش و ارزیابی واقع بینانه پوشش می دهد.
آزمایشها نشان میدهند که آموزش COSMO-Agent به طور قابلتوجهی LLMهای منبع باز کوچک را برای طراحی مبتنی بر. محدودیت بهبود میبخشد و از مدلهای منبع باز بزرگ و منبع بسته قوی در امکانسنجی،.
کارایی و پایداری فراتر میرود. نظرات:.
10 صفحه،. 3 شکل،.
کاغذ پیش چاپ موضوعات:. هوش مصنوعی (cs.AI)؛
گرافیک (cs.GR) استناد به عنوان:. arXiv:.
2604.05547 [cs.AI] (یا arXiv:. 2604.05547v1 [cs.AI] برای این نسخه) https:.
//doi.org/10.48550/arXiv.2604.05547 DOI صادر شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Huaxi Huang [مشاهده ایمیل] [v1] سه شنبه،.
7 آوریل 2026،. 07:.
45:. 17 UTC (1981 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.