用生成式人工智能（GenAI）将排队网络图像转换为可验证仿真模型：一种开源权重LLM工作流方法

近期工作探索了用大语言模型（LLM）自动化仿真模型构建，通常是通过从自然语言描述直接生成可执行代码。然而，这给验证与可复现性带来挑战，对缺乏编程专长的用户尤其如此。我们提出Sketch2DES，一个草图到仿真的工作流，使用开源权重LLM将排队网络的图示表示转换为可验证的离散事件仿真模型。该工作流分三个阶段：（1）用多模态LLM将图示翻译为半结构化文本描述；（2）经带反思式验证循环的LLM转换为通过模式校验的结构化数据（JSON）；（3）用软件适配器确定性地转换为可执行的仿真模型。因此，中间产物可在执行前被检查并自动校验。我们在八个复杂度不一的排队网络图上评估该方法。该工作流在所有阶段都达到高可靠性，结果与人工编码及解析基准在统计上无法区分。与直接代码生成相比，该工作流提升了可复现性、透明度与可验证性，同时降低了对编程专长的需求。局限包括模型范围受限以及对准确视觉解读的依赖。结果证明了结构化、基于工作流的模型生成作为LLM辅助仿真建模的稳健基础是可行的。