Design Structure Matrix Modularization with Large Language Models

📄 arXiv: 2604.28018v1 📥 PDF

作者: Shuo Jiang, Jianxi Luo

分类: cs.CE, cs.AI

发布日期: 2026-04-30

💡 一句话要点

利用大语言模型进行设计结构矩阵模块化，无需专业优化代码。

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

关键词: 设计结构矩阵 模块化 大语言模型 组合优化 工程设计

📋 核心要点

  1. 传统DSM模块化方法缺乏对工程上下文的利用，将其视为纯粹的图优化问题。
  2. 论文提出利用大语言模型进行DSM模块化，通过迭代优化，无需专业优化代码即可实现高质量模块划分。
  3. 实验表明，领域知识在复杂DSM模块化中可能降低性能，论文提出了语义对齐假设解释这一现象。

📝 摘要（中文）

设计结构矩阵(DSM)模块化是将系统元素划分为内聚模块的一项基本组合挑战，在工程设计中至关重要。传统方法将模块化视为纯粹的图优化问题，无法利用系统中蕴含的工程上下文。本文基于先前关于基于LLM的DSM排序组合优化的工作，将该方法扩展到五个案例和三个骨干LLM上的模块化。我们的方法在30次迭代内实现了接近参考质量的结果，且无需专门的优化代码。与直觉相反的是，在排序中有益的领域知识，反而会持续损害更复杂DSM的性能。我们将其归因于LLM的功能先验与纯粹的结构优化目标之间的语义不一致，并提出了语义对齐假设，作为控制LLM知识有效性的可测试条件。消融研究确定了实际部署中最有效的输入表示、目标公式和解决方案池设计。这些发现为在工程设计优化中部署LLM提供了实践指导。

🔬 方法详解

问题定义：论文旨在解决工程设计中设计结构矩阵（DSM）的模块化问题。现有方法主要依赖图优化算法，忽略了DSM中蕴含的工程领域知识，导致模块划分结果可能缺乏实际意义，且需要针对特定问题设计优化算法，通用性较差。

核心思路：论文的核心思路是利用大语言模型（LLM）的强大推理能力，将DSM模块化问题转化为LLM可以理解和处理的自然语言任务。通过迭代优化，引导LLM生成高质量的模块划分方案。这种方法无需专门的优化代码，且能够潜在地利用LLM中蕴含的领域知识。

技术框架：整体框架包括以下几个主要阶段：1) 输入表示：将DSM转化为LLM可以理解的文本形式，例如描述元素之间的依赖关系。2) 目标公式化：定义模块化的目标函数，例如模块内部连接紧密，模块之间连接稀疏。3) LLM推理：利用LLM生成模块划分方案，并根据目标函数进行评估。4) 迭代优化：根据评估结果，调整输入表示或目标公式，并重复LLM推理过程，直到达到满意的模块划分结果。5) 解决方案池设计：维护一个解决方案池，存储LLM生成的多个模块划分方案，并从中选择最优方案。

关键创新：论文的关键创新在于将LLM应用于DSM模块化问题，并提出了语义对齐假设。传统方法将模块化视为纯粹的图优化问题，而论文尝试利用LLM中蕴含的领域知识。然而，实验结果表明，领域知识在复杂DSM模块化中可能降低性能。论文提出了语义对齐假设，认为LLM的功能先验与纯粹的结构优化目标之间存在语义不一致，导致领域知识无法有效利用。

关键设计：论文的关键设计包括：1) 输入表示：尝试了不同的输入表示方法，例如直接描述元素之间的依赖关系，或将DSM转化为邻接矩阵。2) 目标公式化：定义了不同的目标函数，例如模块内部连接密度，模块之间连接稀疏度。3) 解决方案池设计：设计了不同的解决方案池管理策略，例如选择最优方案，或将多个方案进行融合。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法在30次迭代内即可达到接近参考质量的模块划分结果，且无需专门的优化代码。此外，实验还发现，领域知识在复杂DSM模块化中可能降低性能，并提出了语义对齐假设解释这一现象。消融研究确定了最有效的输入表示、目标公式和解决方案池设计。

🎯 应用场景

该研究成果可应用于复杂工程系统的设计与管理，例如航空航天、汽车工程、软件工程等领域。通过自动化的模块划分，可以提高系统设计的效率和质量，降低开发成本，并促进团队协作。未来，该方法有望扩展到其他组合优化问题，例如任务调度、资源分配等。

📄 摘要（原文）

Design Structure Matrix (DSM) modularization, the task of partitioning system elements into cohesive modules, is a fundamental combinatorial challenge in engineering design. Traditional methods treat modularization as a pure graph optimization, without access to the engineering context embedded in the system. Building on prior work on LLM-based combinatorial optimization for DSM sequencing, this paper extends the method to modularization across five cases and three backbone LLMs. Our method achieves near-reference quality within 30 iterations without requiring specialized optimization code. Counterintuitively, domain knowledge, beneficial in sequencing, consistently impairs performance on more complex DSMs. We attribute this to semantic misalignment between the LLM's functional priors and the purely structural optimization objective, and propose the semantic-alignment hypothesis as a testable condition governing knowledge effectiveness with LLMs. Ablation studies identify the most effective input representation, objective formulation, and solution pool design for practical deployment. These findings offer practical guidance for deploying LLMs in engineering design optimization.