Mapping artificial intelligence-based methods to engineering design stages: a focused literature review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Engineering design has proven to be a rich context for applying artificial intelligence (AI) methods, but a categorization of such methods applied in AI-based design research works seems to be lacking. This paper presents a focused literature review of AI-based methods mapped to the different stages of the engineering design process and describes how these methods assist the design process. We surveyed 108 AI-based engineering design papers from peer-reviewed journals and conference proceedings and mapped their contribution to five stages of the engineering design process. We categorized seven AI-based methods in our dataset. Our literature study indicated that most AI-based design research works are targeted at the conceptual and preliminary design stages. Given the open-ended, ambiguous nature of these early stages, these results are unexpected. We conjecture that this is likely a result of several factors, including the iterative nature of design tasks in these stages, the availability of open design data repositories, and the inclination to use AI for processing computationally intensive tasks, like those in these stages. Our study also indicated that these methods support designers by synthesizing and/or analyzing design data, concepts, and models in the design stages. This literature review aims to provide readers with an informative mapping of different AI tools to engineering design stages and to potentially motivate engineers, design researchers, and students to understand the current state-of-the-art and identify opportunities for applying AI applications in engineering design.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle