AeroTherm-GPT：面向热防护系统工程工作流的以验证为中心的LLM框架

摘要

将大语言模型（LLM）融入高超声速热防护系统（TPS）设计的瓶颈在于生成可执行仿真制品时的约束级联违反。通用LLM将生成视为单轮文本补全，无法满足安全关键工程工作流固有的顺序化、多闸门约束。为此，我们提出AeroTherm-GPT，首个TPS专用LLM智能体，通过约束闭环生成（CCLG）框架实例化。CCLG将TPS制品生成组织为包含生成、验证、CDG引导修复、执行与审计的迭代工作流。约束依赖图（CDG）编码约束类别间经验性的联合消解结构，基于生命周期排序先验与经验联合消解概率，将修复引向上游故障候选。这一上游优先机制每次动作可消解多个下游违反，根因修复效率达4.16，而扁平清单修复仅为1.76。在HyTPS-Bench上评估并经外部基准验证，AeroTherm-GPT取得88.7%的端到端成功率（95% CI：87.5-89.9），比匹配的非CDG消融基线高出+12.5个百分点，且在科学推理与代码生成任务上未发生灾难性遗忘。

AeroTherm-GPT：面向热防护系统工程工作流的以验证为中心的LLM框架：论文配图 — 图 1：所提议方法的概述。工程需求进入 CCLG 工作流程（生成 →\ 验证 →\CDG 引导修复 →\ 执行 →\ 审核），生成可执行且可追踪的仿真工件。 AeroTherm-GPT 是该框架的面向 TPS 的实例； HyTPS-Bench 提供与工作流程一致的评估设置。