论文分享：ChatGPT在计算结构力学领域的应用初探与浅析
本文摘要：（由ai生成）
桁架结构广泛应用于建筑领域，其平面形式分析相对简单。本文探讨了ChatGPT在计算结构力学中的应用，通过Prompt工程技术控制模型输出，解决下游任务。以平面桁架结构为例，ChatGPT生成的程序计算与参考解比对结果准确，提高了科研效率。ChatGPT为研究人员提供了高效准确的科研工具，有助于快速实现和验证科研想法，推动技术创新和学术进展。同时，也为初学者提供了简单直观的学习途径，有助于普及计算结构力学程序编制技能。
桁架结构(Truss Structure)是一种由杆件直接相连组成的结构系统。桁架结构中的杆件均为二力杆，并通过节点连接在一起。桁架结构的优点是材料利用率高，结构重量轻，传力路径明确，便于分析和设计。桁架结构常见于桥梁、屋顶和塔架等建筑和工程领域。
平面桁架结构(Planar Truss Structure)是一种特殊的桁架结构，其所有节点和杆件都位于同一个平面内。平面桁架结构可以承受同一平面内的荷载，并将荷载通过杆件内部的轴向力传递。平面桁架结构简单，且分析相对容易。在计算结构力学中，可以根据刚度法编写平面桁架计算程序。通过输入结构参数，计算出桁架的应力、应变和变形等相关参数，从而评估结构的变形和强度。本文以平面桁架计算程序为例，探索和展示ChatGPT在计算结构力学领域程序编制中的应用，并给出初步的心得与讨论。
ChatGPT的模型预测质量很大程度上取决于训练数据的准确性，但更多的情况是用户提供的问题和提示难以令ChatGPT理解，无法发挥其最大的效用。作为预训练语言模型PLM(Pre-trained Language Model)，ChatGPT的研究思路通常是“预训练-微调”，即将经过预训练的模型应用于下游任务中，并根据下游任务中的数据进行模型的微调。然而，随着PLM体量的不断增大，对其进行微调的硬件和数据需求以及实际代价也在不断上涨。因此，为降低模型总体参数量以提高其训练效率，Prompt工程技术应运而生。
融入了Prompt的新训练模式大致可以归纳成“预训练-微调-预测”,即重新调整下游任务的形式使其类似于预训练任务，从而帮助PLM回忆起在预训练阶段所学习的知识。如在输入中加入描述场景和情感的词汇可以使模型回忆起相应的场景和情感分类标签。这就可以解释为什么等在研究中发现基于场景的问题中，ChatGPT不仅提供了问题的答案，而且还提供了有洞察力的解释来支持给定的答案。
通过选择合适的Prompt, 可以控制模型的预测输出，从而将一个完全无监督训练的预训练语言模型用于各种下游任务的解决。经过尝试，在提问时应注意以下几点来提高使用效率。
(1) 角色指定。
通过指定模型要扮演的特定角色来引导ChatGPT的输出。
(2) 场景描述。
使用关键词描述任务的具体场景和环境。
(3) 制定目标。
确保模型完成编写代码任务，而不是给出编程思路。
(4) 详细描述。
充分详细的描述能够让模型更好地理解任务要求和数据结构。
(5) 一步一步来。
这是一种用来鼓励ChatGPT生成反思和沉思性文本的技巧。
(6) 控制生成。
ChatGPT的单次会话生成字符数与持续聊天记忆能力都存在限制，可以通过主动引导分成多个会话来避免会话响应在任意位置中断和新对话中变量名发生改变等问题。
根据以上建议，具体研究过程如下。
以图1所示结构为例，在python_3.8与numpy_1.10环境下，将使用ChatGPT生成的程序计算与参考解进行比对，结果列入表1和表2。
可以看出，ChatGPT作为一种生成式人工智能，能快速生成准确的答案，提高科研工作的效率。这为研究人员提供了一种高效准确的科研工具，有助于学者快速实现新的科研想法，并验证相关假设。同时，这也有助于推动计算结构力学领域的技术创新和学术研究的进展。
此外，ChatGPT也为初学者提供了一种简单直观的学习途径。ChatGPT使用自然语言描述问题并获得解决方案，使得初学者能够更快地掌握计算结构力学程序编制的技能，这对于推广和普及计算结构力学程序具有积极意义。
本文引用：阎军，姜立哲，耿东岭. ChatGPT在计算结构力学领域的应用初探与浅析[J]. 计算力学学报,2023,40(3):499-504.
备注：
1、什么是提示工程（Prompt Engineering）？
提示工程，就是创建一堆指令，提示（询问、指导）ChatGPT 这类语言模型输出语料文本。提示工程帮助用户控制语言模型输出，生成适合的特定需求。
2、提示公式（prompt formular）
提示的特定格式，一般包含 3 个主要元素：
任务（task）：一份清晰简洁的陈述，提示要求模型生成的内容。
指令（instructions）：在生成文本时，模型应该遵循什么。
角色（role）：在生成文本时，模型应该扮演什么。
