TEXT2MODEL: GENERATING DYNAMIC CHEMICAL REACTOR MODELS USING LARGE LANGUAGE MODELS (LLMS)

文章主要内容总结

该论文提出了一种基于大型语言模型（LLM）的Text2Model框架，旨在将自然语言描述的化学反应器场景自动转换为可模拟的Modelica代码。研究团队通过以下步骤验证了方法的有效性：

1. 合成数据集构建：设计26种不同类型的反应器模板（包括ODE/DAE系统、可逆/不可逆反应、不同操作模式），生成988个带有LaTeX描述的Q&A对。
2. 模型微调：使用低秩适应（LoRA）技术对Llama 3.1 8B Instruct模型进行监督微调，重点优化Modelica代码生成能力。
3. 多模型对比：将微调后的模型与基线Llama模型及GPT4o进行对比，通过8类错误指标（如语法错误、单位转换错误、方程结构错误等）评估生成代码的准确性。
4. 泛化能力测试：设计4类未见场景（如连续反应、多组分系统）验证模型的扩展性。

创新点

1. 领域特定代码生成：首次将LLM应用于动态化学反应器模型生成，突破了传统领域特定语言（DSL）的使用门槛。
2. 合成数据增强：通过模板化参数随机化方法构建大规模训练数据，解决了真实工业场景数据稀缺问题。
3. 错误分类体系：提出针对Modelica代码的8类错误评估标准，为量化模型生成质量提供了新的方法论。
4. 参数高效微