論文の概要: Exploring the Capabilities of Large Language Models for Generating Diverse Design Solutions
- arxiv url: http://arxiv.org/abs/2405.02345v1
- Date: Thu, 2 May 2024 14:20:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-07 20:29:40.619465
- Title: Exploring the Capabilities of Large Language Models for Generating Diverse Design Solutions
- Title(参考訳): 多様な設計ソリューションを生成するための大規模言語モデルの能力を探る
- Authors: Kevin Ma, Daniele Grandi, Christopher McComb, Kosa Goucher-Lambert,
- Abstract要約: 本稿では,大規模言語モデル (LLM) による多種多様な設計手法の有効性について検討する。
LLM生成のソリューションは、設計トピック毎に100の人為的なソリューションと比較される。
人間とLLM生成ソリューションの間には、いくつかの設計トピックが分断されているが、他のトピックには明確な分断がない。
- 参考スコア(独自算出の注目度): 0.8514062145382637
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Access to large amounts of diverse design solutions can support designers during the early stage of the design process. In this paper, we explore the efficacy of large language models (LLM) in producing diverse design solutions, investigating the level of impact that parameter tuning and various prompt engineering techniques can have on the diversity of LLM-generated design solutions. Specifically, LLMs are used to generate a total of 4,000 design solutions across five distinct design topics, eight combinations of parameters, and eight different types of prompt engineering techniques, comparing each combination of parameter and prompt engineering method across four different diversity metrics. LLM-generated solutions are compared against 100 human-crowdsourced solutions in each design topic using the same set of diversity metrics. Results indicate that human-generated solutions consistently have greater diversity scores across all design topics. Using a post hoc logistic regression analysis we investigate whether these differences primarily exist at the semantic level. Results show that there is a divide in some design topics between humans and LLM-generated solutions, while others have no clear divide. Taken together, these results contribute to the understanding of LLMs' capabilities in generating a large volume of diverse design solutions and offer insights for future research that leverages LLMs to generate diverse design solutions for a broad range of design tasks (e.g., inspirational stimuli).
- Abstract(参考訳): 多数の多様な設計ソリューションへのアクセスは、設計プロセスの初期段階でデザイナをサポートすることができる。
本稿では,大規模言語モデル(LLM)による多種多様な設計ソリューションの創出の有効性について検討し,パラメータチューニングや各種プロンプトエンジニアリング技術がLLM生成設計ソリューションの多様性に与える影響について検討する。
具体的には,5つの異なる設計トピック,8つのパラメータの組み合わせ,および8つの異なる種類のプロンプトエンジニアリングテクニックを比較し,各パラメータとプロンプトエンジニアリング手法の組み合わせを4つの多様性メトリクスで比較する。
LLMの生成したソリューションは、同じ多様性メトリクスセットを使用して、それぞれのデザイントピックにおいて100人の人為的なソリューションと比較される。
結果は、人為的ソリューションは、すべての設計トピックにおいて、常により多様性のスコアを持つことを示している。
ポストホックロジスティック回帰分析を用いて、これらの違いが主に意味レベルで存在するかどうかを考察する。
結果は、人間とLLM生成ソリューションの間には、いくつかの設計トピックが分断されている一方で、明確な分断がないことを示している。
これらの結果は,多種多様な設計ソリューションの生成におけるLLMの能力の理解に寄与し,多種多様な設計課題(例えばインスピレーション的刺激)のための多種多様な設計ソリューションの生成にLLMを活用する将来の研究への洞察を与える。
関連論文リスト
- Meta Reasoning for Large Language Models [58.87183757029041]
大規模言語モデル(LLM)の新規かつ効率的なシステムプロセッシング手法であるメタ推論プロンプト(MRP)を導入する。
MRPは、各タスクの特定の要求に基づいて異なる推論メソッドを動的に選択し、適用するようLLMに誘導する。
総合的なベンチマークによりMPPの有効性を評価する。
論文 参考訳(メタデータ) (2024-06-17T16:14:11Z) - Sample Design Engineering: An Empirical Study of What Makes Good Downstream Fine-Tuning Samples for LLMs [23.766782325052418]
本稿では,大規模言語モデルの性能向上のための方法論的アプローチであるサンプル設計工学(SDE)を紹介する。
LLMのダウンストリーム性能に対する様々な設計オプションの影響を評価するために、一連のドメイン内(ID)および外部(OOD)実験を行う。
本稿では,SDE統合戦略を提案し,最も効果的な選択肢を組み合わせるとともに,複雑な下流タスクにおけるサンプル設計よりも一貫した優位性を検証した。
論文 参考訳(メタデータ) (2024-04-19T17:47:02Z) - Creative and Correct: Requesting Diverse Code Solutions from AI Foundation Models [8.40868688916685]
ソフトウェアエンジニアリングのタスクでは、多様性はデザインスペースを探索し、創造性を育む上で鍵となる。
本研究では,HumanEval タスクを用いた実験により,このトレードオフを系統的に検討した。
多様性と正しさの最適なバランスを打つパラメータと戦略の組み合わせを特定します。
論文 参考訳(メタデータ) (2024-03-20T02:51:46Z) - Towards Multi-Objective High-Dimensional Feature Selection via
Evolutionary Multitasking [63.91518180604101]
本稿では,高次元特徴選択問題,すなわちMO-FSEMTのための新しいEMTフレームワークを開発する。
タスク固有の知識伝達機構は、各タスクの利点情報を活用するように設計され、高品質なソリューションの発見と効果的な伝達を可能にする。
論文 参考訳(メタデータ) (2024-01-03T06:34:39Z) - Mixed-Variable Global Sensitivity Analysis For Knowledge Discovery And
Efficient Combinatorial Materials Design [15.840852223499303]
メタモデルに基づく混合変数GSA法を開発した。
数値ケーススタディを通じて,混合変数問題に対する提案手法の有効性を検証し,実証する。
本手法は,多層設計空間の最適化に感度解析を利用することができる。
論文 参考訳(メタデータ) (2023-10-23T17:29:53Z) - On the Performance of Multimodal Language Models [4.677125897916577]
本研究は、異なるマルチモーダル命令チューニングアプローチの比較分析を行う。
大規模言語モデルにマルチモーダル機能を組み込む際に,アーキテクチャ選択を導く上で重要な洞察を明らかにする。
論文 参考訳(メタデータ) (2023-10-04T23:33:36Z) - Corex: Pushing the Boundaries of Complex Reasoning through Multi-Model Collaboration [83.4031923134958]
Corexは,大規模言語モデルを自律エージェントに変換する,新たな汎用戦略スイートだ。
人間の振る舞いにインスパイアされたCorexは、Debate、Review、Retrieveモードといった多様なコラボレーションパラダイムによって構成されている。
我々は,複数のLDMを協調的に演奏することで,既存の手法に比べて性能が著しく向上することが実証された。
論文 参考訳(メタデータ) (2023-09-30T07:11:39Z) - Conceptual Design Generation Using Large Language Models [0.34998703934432673]
大規模言語モデル(LLM)は、テキストプロンプトから一見創造的な出力を生成することができる。
本稿では LLM を利用して,12 個の設計問題の集合に対するソリューションを生成し,それらをクラウドソーシングされたソリューションのベースラインと比較する。
専門家による評価から, LLM生成ソリューションは平均実現可能性と有用性が高いことが示唆された。
我々は、素早いエンジニアリングで実験を行い、数発の学習を利用することで、クラウドソースのソリューションとよりよく似たソリューションを生み出すことができることを発見した。
論文 参考訳(メタデータ) (2023-05-30T19:32:39Z) - Multi-Agent Reinforcement Learning for Microprocessor Design Space
Exploration [71.95914457415624]
マイクロプロセッサアーキテクトは、高性能でエネルギー効率の追求において、ドメイン固有のカスタマイズにますます頼っている。
この問題に対処するために,Multi-Agent RL (MARL) を利用した別の定式化を提案する。
評価の結果,MARLの定式化は単エージェントRLのベースラインよりも一貫して優れていた。
論文 参考訳(メタデータ) (2022-11-29T17:10:24Z) - Discovering Diverse Solutions in Deep Reinforcement Learning [84.45686627019408]
強化学習アルゴリズムは通常、特定のタスクの単一のソリューションを学ぶことに限定される。
連続的あるいは離散的な低次元潜在変数に条件付きポリシーを訓練することにより、無限に多くの解を学習できるRL法を提案する。
論文 参考訳(メタデータ) (2021-03-12T04:54:31Z) - Pareto Multi-Task Learning [53.90732663046125]
マルチタスク学習は複数の相関タスクを同時に解くための強力な方法である。
異なるタスクが互いに衝突する可能性があるため、すべてのタスクを最適化するひとつのソリューションを見つけることは、しばしば不可能である。
近年,マルチタスク学習を多目的最適化として活用することにより,タスク間のトレードオフが良好である1つのパレート最適解を求める方法が提案されている。
論文 参考訳(メタデータ) (2019-12-30T08:58:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。