语言模型通过符号反思与模块化优化改进机械连杆设计

摘要

机械连杆设计涉及组合式的拓扑选择与连续参数拟合。我们表明，语言模型能够通过符号表示系统地改进连杆设计。语言模型智能体探索离散拓扑，数值优化器拟合连续参数。一个符号提升算子将仿真轨迹转译为定性描述符、运动标签、时序谓词和结构诊断，供模型在迭代设计周期中解读。在六个工程相关运动目标和三个开源模型（Llama 3.3 70B、Qwen3 4B、Qwen3 MoE 30B-A3B）上，该模块化架构相较单体基线最多将几何误差降低68%、结构有效性最多提升134%。关键的是，78.6%的迭代改进轨迹显示出可测量的进步，系统能正确诊断过约束（56.3%）与欠约束（35.6%）两类失效模式，并提出有据可依的修正。三个模型家族均无需微调便习得可解释的机械推理策略，表明有原则的符号抽象能在生成式AI与工程设计所需的数值精度之间架起桥梁。

语言模型通过符号反思与模块化优化改进机械连杆设计：论文配图 — 图 1：符号提升和闭环合成管道概述。对语言模型代理提出的候选链接拓扑进行模拟和优化，以产生连续的末端执行器轨迹。符号提升算子 𝔏\mathfrak{L} 将这些数值输出压缩为紧凑表示束 ℛ\mathcal{R}，编码定性运动模式（直线段、平缓和急转弯）、时间谓词和结构诊断。这种符号表示弥合了连续运动学和语言级推理之间的差距，从而实现了机构设计的迭代、可验证的细化。