OptiMUS: Optimization Modeling Using mip Solvers and large language models

OptiMUS: Optimization Modeling Using mip Solvers and large language models

1. 本研究の学術的背景、研究課題の核心をなす学術的な「問い」は、最適化問題をより広く利用するためには、問題のモデリングと解決の両方に専門知識が必要であるという課題があります。しかし、この専門知識のギャップがあり、多くの分野で最適化の恩恵を受けることができません。本研究では、最適化問題を自然言語の記述から解決するための大規模言語モデル（LLM）ベースのエージェントであるOptiMUSを提案しています。

2. 本研究の目的は、LLMを最適化によりアクセスしやすくすることで、最適化の利用を民主化することです。これにより、最適化技術の範囲と効用を拡大し、多様なアプリケーション領域での最適化の恩恵を広げることを目指しています。本研究の独自性と創造性は、最適化問題のモデリングと解決においてLLMの能力を活用することであり、これにより最適化の専門知識をより広く利用できるようにしています。

3. 本研究の着想は、LLMが最適化問題においてどのように活用できるかを探るために行われました。LLMは自然言語を理解し、生成し、解釈する能力を持っており、多様なタスクにおいて活用されています。しかし、最適化領域でのLLMの役割はまだよくわかっておらず、包括的なベンチマークも存在しませんでした。関連する研究では、LLMを使用して最適化問題を直接解く方法が提案されていますが、これらの研究はソルバーやコーディングなどのツールを使用せず、LLMの性能が大きな入力データサイズに対して限定的であるという課題を持っています。本研究では、そのような課題を克服するために、NLP4LPという新しいデータセットを作成し、OptiMUSというLLMベースのエージェントを開発しました。

4. 本研究では、以下の内容を明らかにしました：

• NLP4LPという40の最適化問題を含むデータセットの作成方法と統計情報。

• OptiMUSというLLMベースのエージェントの詳細な構造と機能。

• 問題表現から数学的なモデルの生成、ソルバーコードの作成、解のテストと検証までを行うOptiMUSの処理フロー。

• 問題の再定義による自動データ拡張や自動テストとデバッグによるソリューションの修正など、OptiMUSの品質を向上させるための技術手法。

1. 本研究の有効性は、実験と分析によって検証されました。OptiMUSは、直接的なプロンプティングに比べて問題の解決率を67％向上させることができることが実証されました。さらに、自動データ拡張や自動テストとデバッグによるソリューションの修正手法が効果的であることも示されました。これにより、OptiMUSはより多くの問題を解決し、最適化の利用を民主化することができることが示されました。