ChatPaper.aiChatPaper

Résolution de problèmes complexes enrichie par les connaissances avec les grands modèles de langage : Une étude approfondie

Knowledge Augmented Complex Problem Solving with Large Language Models: A Survey

May 6, 2025
Auteurs: Da Zheng, Lun Du, Junwei Su, Yuchen Tian, Yuqi Zhu, Jintian Zhang, Lanning Wei, Ningyu Zhang, Huajun Chen
cs.AI

Résumé

La résolution de problèmes a été un moteur fondamental du progrès humain dans de nombreux domaines. Avec les avancées de l'intelligence artificielle, les modèles de langage de grande taille (LLMs) sont apparus comme des outils puissants capables de s'attaquer à des problèmes complexes dans divers domaines. Contrairement aux systèmes computationnels traditionnels, les LLMs combinent une puissance de calcul brute avec une approximation du raisonnement humain, leur permettant de générer des solutions, de faire des inférences et même d'utiliser des outils computationnels externes. Cependant, l'application des LLMs à la résolution de problèmes dans le monde réel présente des défis importants, notamment le raisonnement en plusieurs étapes, l'intégration des connaissances spécifiques au domaine et la vérification des résultats. Cette étude explore les capacités et les limites des LLMs dans la résolution de problèmes complexes, en examinant des techniques telles que le raisonnement en chaîne de pensée (Chain-of-Thought, CoT), l'augmentation des connaissances, et diverses techniques de vérification basées sur les LLMs et sur des outils externes. De plus, nous mettons en lumière les défis spécifiques à différents domaines, tels que l'ingénierie logicielle, le raisonnement et la démonstration mathématiques, l'analyse et la modélisation de données, et la recherche scientifique. L'article discute également des limitations fondamentales des solutions actuelles basées sur les LLMs et des directions futures pour la résolution de problèmes complexes à l'aide des LLMs, en se concentrant sur le raisonnement en plusieurs étapes, l'intégration des connaissances spécifiques au domaine et la vérification des résultats.
English
Problem-solving has been a fundamental driver of human progress in numerous domains. With advancements in artificial intelligence, Large Language Models (LLMs) have emerged as powerful tools capable of tackling complex problems across diverse domains. Unlike traditional computational systems, LLMs combine raw computational power with an approximation of human reasoning, allowing them to generate solutions, make inferences, and even leverage external computational tools. However, applying LLMs to real-world problem-solving presents significant challenges, including multi-step reasoning, domain knowledge integration, and result verification. This survey explores the capabilities and limitations of LLMs in complex problem-solving, examining techniques including Chain-of-Thought (CoT) reasoning, knowledge augmentation, and various LLM-based and tool-based verification techniques. Additionally, we highlight domain-specific challenges in various domains, such as software engineering, mathematical reasoning and proving, data analysis and modeling, and scientific research. The paper further discusses the fundamental limitations of the current LLM solutions and the future directions of LLM-based complex problems solving from the perspective of multi-step reasoning, domain knowledge integration and result verification.

Summary

AI-Generated Summary

PDF51May 8, 2025