在复合材料设计中，优化复合叠层序列以匹配连续目标（例如，层合或屈曲参数）且满足离散制造约束是一项具有挑战性的组合逆向问题，尤其是在使用数值优化方法时（双步、双层配置）。在多面板配置中，由于不同面板叠层之间的兼容性和连续性要求，问题的复杂性进一步加剧。本文提出了SeqGPT，一种条件变换器代理，旨在替代计算成本高昂的迭代方法。为确保从构造上实现全球连续性和制造可行性，我们实施了一种混合神经符号解码策略。SeqGPT预测一个条件分布，以指导受限的束搜索，在此过程中，任何违反混合规则的分支都将被严格修剪。对18面板马蹄基准的数值实验表明，SeqGPT能够近乎瞬时地产生解决方案，其屈曲性能与进化方法相当，相较于现有技术提供了显著的速度提升。
博主点评： SeqGPT通过结合神经网络与符号推理，展现了在复合材料设计领域的创新潜力。其快速生成高质量解决方案的能力，可能会在工程实践中产生深远影响，尤其是在复杂结构优化方面。