Resumen:El control de procesos industriales exige políticas que sean interpretables y auditables, requisitos que las políticas neuronales de caja negra luchan por cumplir. Estudiamos un marco de síntesis heurística impulsado por LLM para laminación de acero en caliente, en el que un modelo de lenguaje propone y refina de forma iterativa controladores Python legibles por humanos utilizando una rica retroalimentación de comportamiento de un simulador basado en física. El marco combina ideación estratégica estructurada, generación de código ejecutable y retroalimentación por componente en diversas condiciones operativas para buscar en la lógica de control la reducción de altura, el tiempo entre pasadas y la velocidad de rodadura. Nuestra primera contribución es un proceso de síntesis de controladores auditable para el control de procesos industriales. Los controladores generados son programas explícitos accesibles a la revisión de expertos, y los combinamos con un proceso de auditoría automatizado que verifica formalmente las propiedades clave de seguridad y monotonicidad para obtener la heurística mejor sintetizada. Nuestra segunda contribución es una estrategia de asignación de presupuesto basada en principios para la búsqueda heurística impulsada por LLM: mostramos que los reinicios universales estilo Luby, originalmente desarrollados para algoritmos aleatorios, se transfieren directamente a esta configuración, eliminando la necesidad de un ajuste presupuestario específico para el problema. Una sola campaña Luby de 160 iteraciones se acerca a la asignación presupuestaria óptima en retrospectiva derivada de 52 ejecuciones ad hoc que suman un total de 730 iteraciones.
Publicado originalmente en export.arxiv.org el 23 de marzo de 2026.
Ver fuente original
