Журнал · Rit.work

LLM превращает экспертное описание в поправку для инженерной оптимизации

LLM сравнивает инженерные решения по экспертному описанию недостающей физики, а точные расчёты калибруют полученную поправку.

Rit.work
Студия разработки
19 ноября 2026 г.3 мин чтения

Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.

Экспертные описания недостающей физики помогли быстрее искать параметры инженерной системы, когда точных расчётов мало. В препринте Dongjun Han, Mingyu Lee и Ikjin Lee потери при поиске сократились на 61%, однако работа не рецензирована, а числа получили сами авторы. Подход позволяет добавить знания инженера в оптимизацию, не превращая ответ LLM в безусловную истину.

Как экспертное описание становится численным сигналом

Многоуровневая байесовская оптимизация, или MFBO, сочетает дешёвую упрощённую модель с небольшим числом дорогих и точных расчётов. Алгоритм последовательно выбирает, какую конструкцию проверить следующей, чтобы приблизиться к лучшему варианту с меньшими вычислительными затратами.

Проблема возникает, когда упрощённая модель не учитывает часть физики. Её ошибка тогда зависит от конструкции: например, пропущенный эффект может почти не влиять на один вариант и заметно менять результат для другого. Если точных расчётов мало, восстановить такую зависимость только по числам трудно.

При этом инженер часто может описать, какой эффект пропущен и при каких условиях он усиливается. Обычная численная модель не умеет напрямую использовать фразу такого рода, поэтому предложенная схема передаёт описание LLM. Модель не предсказывает итоговое значение, а сравнивает пары конструкций и определяет, для какой нужна большая поправка к результату упрощённого расчёта.

Парный гауссовский процесс превращает эти сравнения в дополнительный компонент модели. Его можно представить как функцию, которая задаёт относительный порядок поправок: где расхождение между дешёвым и точным расчётом должно быть больше, а где меньше.

Точные расчёты определяют направление и вес этого компонента. Поэтому LLM предлагает структуру зависимости, но алгоритм сверяет её с численными наблюдениями и решает, насколько ей доверять. Это отделяет роль языковой модели от роли физического расчёта: первая интерпретирует экспертное знание, второй калибрует его влияние.

Качество знания важнее выбора LLM

Метод проверили на задаче проектирования литий-ионной батареи. Площадь под кривой потерь от неоптимального выбора оказалась на 61% меньше, чем у обычной MFBO. Эта метрика учитывает не только конечный найденный вариант, но и то, насколько далеко алгоритм оставался от оптимума по ходу поиска: чем меньше площадь, тем быстрее поиск приходит к удачным конструкциям.

В контролируемом сравнении отдельно меняли качество экспертного описания и выбор LLM. Скорость поиска определяло качество знания, а не конкретная языковая модель. Для команды это существеннее рейтинга моделей: удачная формулировка пропущенной физики влияет на результат сильнее, чем замена одной LLM другой.

Разбор на уровне отдельных утверждений также показал вклад каждой части экспертного описания. Такой тест нужен не только для оценки метода: он помогает найти бесполезное или вредное правило до того, как оно начнёт направлять дорогие расчёты.

Проверка охватывает одну инженерную задачу и сравнение с обычной MFBO; поскольку материал подготовлен по абстракту, а не по полному тексту, точную процедуру сравнений и вычислительный масштаб восстановить нельзя. Результат поэтому показывает рабочий способ связать качественное знание с численной моделью, но не подтверждает одинаковый выигрыш для других физических систем.

Меняет ли подход планы инженерной команды

Работа не требует заменять существующую схему оптимизации генеративной моделью. LLM можно вынести в отдельный слой, который переводит описание инженера в попарные сравнения, а численная модель продолжит выбирать точки для проверки и учитывать результаты точных расчётов.

Такой слой имеет смысл планировать, если проект уже сочетает дешёвые приближения с редкими дорогими испытаниями или симуляциями. Нужен и второй признак: специалисты должны уметь объяснить, что именно пропускает упрощённая модель и когда ошибка растёт. Без содержательного знания языковой модели нечего извлекать из текста.

Приоритет при внедрении стоит отдать не подбору LLM, а подготовке и проверке экспертных утверждений. Практический эксперимент должен сравнивать обычную MFBO с вариантом, где знания добавляются по одному. Тогда команда увидит, какое правило ускоряет поиск, какое ничего не меняет, а какое уводит алгоритм в неверную область.

Архитектурно подход полезен тем, что сохраняет проверяемую границу между подсказкой и измерением. LLM ранжирует конструкции по ожидаемой поправке, но точные данные задают знак и силу её влияния. Если экспертное правило не согласуется с расчётами, модель оптимизации может уменьшить его вес вместо того, чтобы принимать текст за физический закон.

Для продуктового плана это скорее основание для ограниченного эксперимента, чем для смены основной технологии. Наиболее подходящий первый сценарий — уже работающий инженерный поиск, где дорогие проверки ограничивают число итераций, а разрыв между упрощённой и точной моделями можно содержательно описать словами.

Источники

Пауза в чтении

Похоже на вашу задачу?

Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.

Rit.work

Студия разработки

Собираем мобильные приложения и помогаем командам получать от AI реальную пользу. Основатель и команда, работаем удалённо — с клиентами в России и за рубежом.

← Ко всем материалам
Понравилось? Обсудим вашу задачу