Using a Large Language Model to generate a Design Structure Matrix

📄 arXiv: 2312.04134v1 📥 PDF

作者: Edwin C. Y. Koh

分类: cs.AI, cs.CL

发布日期: 2023-12-07

备注: 16 pages, 7 Figures, 6 Tables

期刊: Natural Language Processing Journal, Vol. 9, 2024, Article 100103

DOI: 10.1016/j.nlp.2024.100103

💡 一句话要点

利用大型语言模型生成设计结构矩阵，提升复杂工程系统设计效率。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 设计结构矩阵 大型语言模型 依赖关系建模 工程系统设计 自动化 自然语言处理

📋 核心要点

  1. 传统DSM生成依赖人工，耗时费力，难以应对日益复杂的工程系统。
  2. 利用LLM自动生成DSM，无需人工访谈，降低成本并提升效率。
  3. 原型实验表明，LLM能有效重现77.3%的现有DSM条目，验证了方法的可行性。

📝 摘要（中文）

设计结构矩阵（DSM）是一种成熟的依赖关系建模方法，尤其适用于复杂工程系统的设计。传统上，DSM的生成依赖于手动方式，可能需要访谈专家以获取关键系统要素及其关系，这种方法耗时且成本高昂。本文提出了一种使用大型语言模型（LLM）来支持DSM生成并提高生产力的工作流程。本文开发了一个原型，并将其应用于先前发布的柴油发动机DSM。结果表明，该原型能够重现已发布462个DSM条目中的357个（即77.3%），表明该工作可以辅助DSM的生成。该原型的无代码版本已在线提供，以支持未来的研究。

🔬 方法详解

问题定义：论文旨在解决手动生成设计结构矩阵（DSM）时耗时、成本高昂的问题。传统方法依赖于专家访谈，效率低下，难以快速适应复杂工程系统的设计需求。现有方法的痛点在于人工成本高、可扩展性差，且容易受到专家主观因素的影响。

核心思路：论文的核心思路是利用大型语言模型（LLM）的自然语言理解和生成能力，自动从文本描述中提取系统要素及其依赖关系，从而生成DSM。通过将系统设计知识编码到LLM中，可以显著减少人工干预，提高DSM生成的效率和一致性。

技术框架：该工作流程包含以下主要阶段：1) 输入系统描述文本；2) LLM处理文本，识别系统要素和它们之间的依赖关系；3) 将提取的要素和关系转换为DSM格式；4) 对生成的DSM进行验证和修正。原型系统采用无代码方式实现，方便用户使用和扩展。

关键创新：该论文的关键创新在于将LLM应用于DSM生成，实现了一种自动化的DSM构建方法。与传统的手动方法相比，该方法能够显著提高效率，降低成本，并减少人为误差。此外，该方法还具有良好的可扩展性，可以应用于不同领域的复杂工程系统。

关键设计：论文中未详细描述LLM的具体选择和训练细节，以及用于提取要素和关系的prompt工程。原型系统的无代码实现细节也未详细说明。这些是未来研究可以进一步探索的方向。

📊 实验亮点

实验结果表明，基于LLM的原型系统能够重现已发布柴油发动机DSM中77.3%的条目。这一结果验证了该方法的可行性，并表明LLM在DSM生成方面具有巨大的潜力。虽然还有提升空间，但该原型已经能够显著减少人工工作量，提高DSM生成的效率。

🎯 应用场景

该研究成果可广泛应用于复杂工程系统的设计和管理，例如航空航天、汽车工程、软件开发等领域。通过自动生成DSM，可以帮助工程师更好地理解系统结构、识别潜在风险、优化设计方案，从而提高产品质量和开发效率。未来，该方法有望集成到各种工程设计工具中，成为辅助设计的关键组成部分。

📄 摘要（原文）

The Design Structure Matrix (DSM) is an established method used in dependency modelling, especially in the design of complex engineering systems. The generation of DSM is traditionally carried out through manual means and can involve interviewing experts to elicit critical system elements and the relationships between them. Such manual approaches can be time-consuming and costly. This paper presents a workflow that uses a Large Language Model (LLM) to support the generation of DSM and improve productivity. A prototype of the workflow was developed in this work and applied on a diesel engine DSM published previously. It was found that the prototype could reproduce 357 out of 462 DSM entries published (i.e. 77.3%), suggesting that the work can aid DSM generation. A no-code version of the prototype is made available online to support future research.