model-based systems engineering
PulseAugur coverage of model-based systems engineering — every cluster mentioning model-based systems engineering across labs, papers, and developer communities, ranked by signal.
-
新框架评估 LLM 生成设计结构矩阵的能力
本文介绍了一个黑盒评估框架，旨在评估大型语言模型（LLM）从技术文档生成设计结构矩阵（DSM）的能力。该框架采用可复现的方法，将 LLM 生成的 DSM 与手动验证的真实矩阵进行比较。它包含结构、分类和稳定性指标，最终得出一个综合质量分数（Q）。实验表明，虽然 LLM 在结构良好的输入上可以生成具有良好可复现性的合理 DSM，但它们在处理歧义、不一致的定义和提示变化方面存在困难，这凸显了 LLM 驱动的基于模型的系统工程自动化目前存在的局限性。
-
LLM 增强了使用 SysML v2 进行协同系统工程中的语义对齐
一篇新论文提出了一种使用大型语言模型（LLM），特别是基于 GPT 的模型，来改进基于模型的协同系统工程（MBSE）中语义对齐的方法。该方法利用 SysML v2 增强的结构模块化和形式语义来促进可互操作的建模。核心贡献在于一个开发对齐策略和交互提示的迭代过程，包括模型提取、语义匹配和验证，最终支持可追溯的集成。
-
AI框架使用知识图查找和修复SysML v2模型错误
研究人员开发了一个框架，用于自动检测和修复SysML v2模型中的语义故障，这些故障在语法上是正确的，但违反了特定领域的规则。该系统使用经过微调的小型语言模型（SLM）结合领域知识图来识别这些问题并提出修复建议。这种方法显著提高了故障定位和修复率，降低了设计过程中后期昂贵的集成失败的可能性。
-
AI协同设计议程被提议用于MBSE基础和方法学
一篇新论文提出了一项模型基础系统工程（MBSE）基础和方法学的协同设计议程，以更好地整合AI的参与。当前的MBSE模型并非为AI消费而设计，导致AI工具充当提示而非知识库。作者认为，模型和方法学必须协同设计，将模型视为可机器查询的知识基础。本文概述了一个具体的流程场景来说明差距，并提出了未来发展的三个指导原则。