大语言模型(large language model,LLM)在一般性教学辅助、文科课程和计算机课程中得到成功应用,但应用于电力电子实验教学时存在电路拓扑图识别不准、关键信息缺失等问题。为此,该文提出基于智能插件和LLM的教学辅助设计方法:首先通过...大语言模型(large language model,LLM)在一般性教学辅助、文科课程和计算机课程中得到成功应用,但应用于电力电子实验教学时存在电路拓扑图识别不准、关键信息缺失等问题。为此,该文提出基于智能插件和LLM的教学辅助设计方法:首先通过深度学习模型实现电路拓扑图识别,并将其转换为电路网表文本;然后向LLM提供网表文本及不同提示词,引导LLM实现网表检查、电路分析、文档生成、知识问答等教学功能,为教师提供高质量的教学设计起点。该方法有望减轻教师负担,提高实验教学的时效性和教学质量,为电力电子实验教学设计提供一种有用工具。展开更多
文摘大语言模型(large language model,LLM)在一般性教学辅助、文科课程和计算机课程中得到成功应用,但应用于电力电子实验教学时存在电路拓扑图识别不准、关键信息缺失等问题。为此,该文提出基于智能插件和LLM的教学辅助设计方法:首先通过深度学习模型实现电路拓扑图识别,并将其转换为电路网表文本;然后向LLM提供网表文本及不同提示词,引导LLM实现网表检查、电路分析、文档生成、知识问答等教学功能,为教师提供高质量的教学设计起点。该方法有望减轻教师负担,提高实验教学的时效性和教学质量,为电力电子实验教学设计提供一种有用工具。
文摘电力电子设计是电力电子装备研发的起点,实现电力电子设计智能化可以显著提升研发效率,实现降本增效。然而,电力电子设计任务具有明显的多步决策特征,这对算法设计提出更高要求。本文提出了一种融合深度强化学习(Deep reinforcement learning,DRL)与大语言模型(Large language model,LLM)的协同设计方法,该方法首先利用LLM解析自然语言撰写的设计需求,进而生成供DRL进行训练的初始设计状态;然后通过DRL的奖励驱动机制在初始设计状态上进行试错迭代,最终获得奖励最大化(即完全满足设计需求和规则)的设计结果。上述协同框架实现了两类技术的优势互补,同时解决了LLM垂直领域知识不足、生成结果不完全准确的问题,以及DRL搜索空间大、训练效率低、收敛难度大的问题。将上述框架应用于电力电子拓扑生成和电路布局布线两类典型设计问题中,设计结果亦初步验证了所提框架的有效性。此框架下的AI算法如何优化、算法和任务如何适配以及算法局限性等问题值得进一步研究。
