LLM-Driven Approach to Modeling Tool Interoperability in Automotive Domain
Dit artikel presenteert een door LLM gedreven methodologie die modelinteroperabiliteit in de automotive sector automatiseert door modelinstanties te mappen naar doelmetamodellen en metamodellen samen te voegen, waardoor de handmatige transformatie-inspanning aanzienlijk wordt verminderd terwijl de structurele geldigheid behouden blijft over heterogene tools zoals Ecore en SysML v2.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je probeert een enorme, complexe Lego-kasteel te bouwen, maar je vrienden gebruiken verschillende instructieboekjes. De ene vriend spreekt "Ecore", een andere spreekt "SysML", en een derde gebruikt een mix van beide. In de wereld van het bouwen van moderne auto's—specifiek de nieuwe golf van "Software-Defined Vehicles"—staan ingenieurs voor precies dit probleem. Ze gebruiken verschillende softwaretools om de hersenen, het chassis en de sensoren van de auto te ontwerpen, maar deze tools spreken verschillende talen. Om ze samen te laten werken, moeten ze meestal een menselijke vertaler inhuren om elke instructie handmatig te herschrijven, een proces dat traag, duur en foutgevoelig is. Dit is de uitdaging van "interoperabiliteit": verschillende systemen met elkaar laten begrijpen zonder de betekenis van het oorspronkelijke ontwerp te verliezen.
Maak kennis met het "Large Language Model" (LLM). Je kent ze misschien als de superintelligente AI-chatbots die verhalen kunnen schrijven, vragen kunnen beantwoorden en puzzels kunnen oplossen. Maar in dit artikel stellen onderzoekers van de Technische Universiteit München een gedurfde vraag: Kunnen we deze AI-"vertalers" gebruiken om autodesigns automatisch van de ene taal naar de andere te converteren, en zelfs twee verschillende regelboeken tot één te versmelten? In plaats van dat een mens urenlang handmatig code herschrijft, zou een AI naar een ontwerp in één formaat kunnen kijken en direct een perfecte versie in een ander formaat kunnen uitspugen, terwijl het zijn eigen werk controleert om te zien of het klopt.
Dit artikel presenteert een nieuwe aanpak waarbij een AI fungeert als een supersnelle, zelfcorrigerende vertaler voor autodesigns. De onderzoekers bouwden een systeem dat een automodel dat in één taal is geschreven (zoals SysML v2) en een doelregelboek (zoals Ecore) neemt, en de AI vraat om het model te herschrijven zodat het aan de nieuwe regels voldoet. Maar hier komt het slimme deel bij: het systeem gokt niet alleen en hoopt het goede te doen. Het heeft een ingebouwde "spellchecker" die direct controleert of het nieuwe ontwerp van de AI de regels volgt. Als de AI een fout maakt, vangt het systeem dit op en vraagt de AI om het opnieuw te proberen.
Het team testte dit in vier verschillende scenario's, waaronder het vertalen tussen hetzelfde type modellen en het vertalen tussen totaal verschillende typen. Ze ontdekten dat de AI ongelooflijk goed was in het begrijpen van de betekenis van de auto-onderdelen—zoals weten dat een "camera" in het ene systeem hetzelfde is als een "sensor" in het andere. Sterker nog, de AI begreep de betekenis 100% van de tijd in alle tests. De AI struikelde echter soms over de strikte grammatica van de nieuwe taal, vooral bij het schrijven in het complexe SysML-formaat. Bijvoorbeeld, de AI kan het concept van een "rem" wel goed begrijpen, maar de zin net niet helemaal volgens de juiste structuur formuleren.
De resultaten suggereren dat hoewel AI nog niet perfect is in het volgen van elke kleine syntaxisregel, het wel het zware werk kan doen van het begrijpen en vertalen van de kernideeën. Het systeem genereerde succesvol geldige autodesigns in slechts enkele seconden (ongeveer 5 seconden voor het snellere AI-model), een taak die mensen veel langer zou kosten. De onderzoekers concluderen dat deze methode de handmatige inspanning die nodig is om verschillende engineeringtools met elkaar te verbinden aanzienlijk vermindert, hoewel ze opmerken dat voor de meest complexe talen nog steeds een beetje menselijke controle of een "tweede poging" van de AI nodig is om de grammatica perfect te krijgen. Ze onderzoeken nu manieren om de AI in de toekomst te helpen bij het verwerken van nog grotere, complexere autodesigns.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.