Log-Driven Semantic Tuning for Mixed Integer Programming Solvers

{"tags": ["MIP", "Mixed Integer Programming", "LLM", "Automated Configuration", "LDST", "Operations Research", "Solver Tuning", "Branch and Bound"], "risks": ["Rủi ro LLM ảo giác hoặc hiểu sai ngữ nghĩa tham số phức tạp nếu khâu tiền xác thực proposal gặp sự cố.", "Chi phí và độ trễ bổ sung từ việc gọi mô hình ngôn ngữ lớn trong quy trình cấu hình tự động.", "Hiệu quả trên các bài toán quy mô siêu lớn vượt ngoài 215 bài toán benchmark từ 5 tập dữ liệu chưa được kiểm chứng đầy đủ.", "Phụ thuộc vào tính đầy đủ và định dạng của log do solver ghi nhận."], "category": "Research", "entities": ["LDST", "SMAC3", "RBFOpt", "LLM", "MIP Solvers"], "summary_vi": "LDST (Log-Driven Semantic Tuning) là phương pháp tự động cấu hình bộ giải quy hoạch nguyên hỗn hợp (MIP) sử dụng mô hình ngôn ngữ lớn (LLM). Thay vì dựa vào tối ưu hóa hộp đen tốn kém và chỉ trả về điểm số vô hướng, LDST mô phỏng chuyên gia con người bằng cách phân tích nhật ký (log) solver để xác định nút thắt hiệu năng, dùng LLM đề xuất các điều chỉnh tham số thưa thớt (sparse edits) theo ngữ nghĩa rồi kiểm tra tính hợp lệ trước khi thực thi. Cơ chế kết hợp hàm mục tiêu thích ứng và tín hiệu hoàn thành ước tính từ cây branch-and-bound giúp đồng nhất thang đo thời gian. Trên 215 bài toán benchmark, LDST giảm tổn thất trung bình nhân 43,9% (bài toán dễ) và 16,7% (bài toán trung bình) so với SMAC3, RBFOpt và random search, đạt hiệu quả vượt trội chỉ với 10 lượt đề xuất so với 50 lượt của baseline và có khả năng chuyển giao cấu hình tốt.", "key_changes": ["Thay thế phương pháp tối ưu hóa hộp đen truyền thống bằng điều chỉnh ngữ nghĩa dựa trên phân tích nhật ký (log) solver.", "Ứng dụng LLM trích xuất chẩn đoán nút thắt hiệu năng và đề xuất các thay đổi tham số thưa thớt (sparse edits) có xác thực trước khi chạy.", "Áp dụng hàm mục tiêu thích ứng chế độ (regime-adaptive objective) phù hợp với lượng thông tin thu được từ các lượt chạy giới hạn thời gian.", "Phát triển tín hiệu hoàn thành dựa trên tốc độ phát triển cây nhánh và cận (branch-and-bound tree) từ log solver để đồng nhất thang đo thời gian giữa bài toán giải xong và chưa xong.", "Giảm tổn thất trung bình nhân 43,9% trên bài toán dễ và 16,7% trên bài toán trung bình so với SMAC3, RBFOpt và random search; chỉ cần 10 đề xuất để vượt qua 50 đề xuất của các baseline."], "sub_category": "MIP Solver Tuning", "novelty_score": 85, "business_score": 82, "research_score": 88, "why_it_matters": "Quy hoạch nguyên hỗn hợp (MIP) là nền tảng cốt lõi trong giải quyết các bài toán tối ưu hóa vận hành, logistics và chuỗi cung ứng của doanh nghiệp. Việc tinh chỉnh solver truyền thống đòi hỏi chuyên gia cấp cao hoặc hàng trăm giờ tính toán hộp đen tốn kém. LDST chứng minh LLM có khả năng phân tích log kỹ thuật và suy luận ngữ nghĩa để tìm ra tham số tối ưu với số lượt chạy thử ít hơn gấp 5 lần, giúp doanh nghiệp tiết kiệm đáng kể chi phí hạ tầng điện toán và rút ngắn thời gian đưa ra quyết định tối ưu.", "developer_score": 78, "importance_score": 78, "possible_use_cases": ["Tự động tinh chỉnh tham số bộ giải MIP (như Gurobi, CPLEX, SCIP) cho các bài toán logistics và quản lý chuỗi cung ứng lớn.", "Tăng tốc độ giải quyết bài toán tối ưu danh mục đầu tư tài chính và phân bổ tài nguyên điện toán.", "Xây dựng trợ lý tự động chẩn đoán nút thắt cổ chai và gỡ lỗi hiệu năng cho các kỹ sư Vận trù học (Operations Research).", "Chuyển giao cấu hình tối ưu sang các thể hiện bài toán chưa từng thấy trong cùng một họ bài toán."], "actionability_score": 72}