LLM-Driven Approach to Modeling Tool Interoperability in Automotive Domain
本文提出了一种由大语言模型（LLM）驱动的方法论，通过将模型实例映射到目标元模型并进行元模型合并，实现了汽车领域模型互操作性的自动化，从而在确保 Ecore 和 SysML v2 等异构工具间结构有效性的同时，显著降低了人工转换的工作量。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图搭建一座宏大且复杂的乐高城堡，但你的朋友们使用的却是不同的说明书。一位朋友说着“Ecore”语，另一位说着“SysML”语，而第三位则混合使用了两者。在建造现代汽车——特别是新一代“软件定义汽车”的世界里——工程师们正面临着完全相同的问题。他们使用不同的软件工具来设计汽车的大脑、车身和传感器，但这些工具所使用的语言各不相同。为了让它们协同工作，他们通常不得不雇佣一名人工翻译员来手动重写每一条指令，这个过程缓慢、昂贵且容易出错。这就是“互操作性”的挑战：如何让不同的系统在不丢失原始设计含义的情况下理解彼此。
大语言模型（LLM）应运而生。你可能知道它们是那些能够写故事、回答问题和解谜题的超级智能 AI 聊天机器人。但在本文中，来自慕尼黑工业大学的研究人员提出了一个大胆的问题：我们能否利用这些 AI “翻译员”将汽车设计从一种语言自动转换成另一种语言，甚至将两本不同的规则书合并为一本？与其让一个人花费数小时手动重写代码，能否让 AI 查看一种格式的设计，并瞬间生成一个符合另一种格式的完美版本，同时还能自我检查以确保其正确性？
本文介绍了一种全新的方法，即让 AI 充当汽车设计的超快速、具备自我纠错能力的翻译员。研究人员构建了一个系统，该系统接收一个用某种语言（如 SysML v2）编写的汽车模型和一个目标规则书（如 Ecore），并要求 AI 将该模型改写以符合新的规则。但巧妙之处在于：该系统并不只是凭直觉猜测并寄希望于好运。它内置了一个“拼写检查器”，能立即检查 AI 生成的新设计是否遵循了规则。如果 AI 犯了错，系统会捕捉到错误并要求 AI 重试。
团队在四种不同的场景下对该系统进行了测试，包括在同类模型之间进行转换，以及在完全不同类型的模型之间进行转换。他们发现，AI 在理解汽车部件的“含义”方面表现得极其出色——例如，它知道一个系统中的“摄像头”与另一个系统中的“传感器”是同一个东西。事实上，在所有测试中，AI 对含义理解的准确率达到了 100%。然而，AI 在遵循新语言严格的“语法”方面有时会遇到困难，尤其是在编写复杂的 SysML 格式时。例如，它可能理解了“刹车”的概念，但在格式化句子时稍有偏差。
结果表明，虽然 AI 目前在遵循每一个微小的语法规则方面还不完美，但它能够完成理解和转换核心概念这类繁重的任务。该系统能在短短几秒钟内（较快的 AI 模型仅需约 5 秒）生成有效的汽车设计，而这项任务如果交给人类则需要长得多的时间。研究人员得出结论，这种方法显著减少了连接不同工程工具所需的体力劳动，尽管他们也指出，对于最复杂的语言，仍需要人类进行一些检查，或者需要 AI 进行“第二次尝试”以达到完美的语法水平。他们目前正在研究如何帮助 AI 在未来处理规模更大、更复杂的汽车设计。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。