LLM-gestützte Heuristik für Stahlwalzen: Transparente, auditable Steuerung

In der Industrie, wo Prozesse wie das Stahlwalzen präzise gesteuert werden müssen, sind nachvollziehbare und prüfbare Regelstrategien unerlässlich. Klassische neuronale Netzwerke liefern zwar leistungsstarke Vorhersagen, doch ihre Black-Box-Natur erschwert die Interpretation und die formale Prüfung von Sicherheitsbedingungen. Ein neues Forschungsprojekt auf arXiv (2603.20537v1) präsentiert einen Ansatz, der diese Lücke schließt: ein LLM‑gestütztes Heuristik‑Synthese‑Framework, das explizite Python‑Controller für den Stahlwalzen erzeugt.

Der Prozess funktioniert in mehreren Schritten: Zunächst generiert ein Sprachmodell Vorschläge für Steuerungsprogramme, die anschließend in einem physikbasierten Simulator getestet werden. Das Modell nutzt das daraus resultierende Verhalten, um die Programme iterativ zu verfeinern. Durch strukturierte Ideengenerierung, ausführbaren Code und komponentenbezogenes Feedback über verschiedene Betriebsbedingungen hinweg wird gezielt nach Logiken für die Höhenreduktion, die Interpasszeit und die Walzgeschwindigkeit gesucht.

Ein wesentlicher Beitrag ist die Einführung eines auditierbaren Synthese‑Pipelines. Die erzeugten Controller sind klare, lesbare Programme, die Experten leicht überprüfen können. Ergänzt wird dies durch ein automatisiertes Auditing‑System, das wichtige Sicherheits- und Monotonie‑Eigenschaften formal verifiziert und so die Zuverlässigkeit der Steuerung garantiert.

Zweitens wird eine robuste Budget‑Allokationsstrategie vorgestellt, die auf Luby‑Style‑Universal‑Restarts basiert. Diese Methode, ursprünglich für stochastische Algorithmen entwickelt, eliminiert die Notwendigkeit problem‑spezifischer Budget‑Tuning‑Parameter. Eine einzige 160‑Iteration‑Luby‑Kampagne erreicht nahezu die optimale Budgetverteilung, die aus 52 ad‑hoc‑Runs mit insgesamt 730 Iterationen abgeleitet wurde.