Holy Grail 2.0: From Natural Language to Constraint Models

要約

27年前、E.フロイダーは、「制約プログラミングは、コンピュータサイエンスがプログラミングの聖杯に最も近づいたアプローチの1つである。現在では、CPユーザーは（MinizincやCPMpyのような）優れたモデリング・ツールを利用することができ、問題を定式化し、ソルバーに残りの作業を任せることで、指定されたゴールに近づくことができる。しかし、それでもなお、CPユーザーが形式論を知り、それを尊重する必要がある。もう一つの大きな課題は、組合せ問題を効果的にモデル化するために必要な専門知識にある。これらのことが、CPの普及を制限している。本ポジションペーパーでは、テキストの問題記述からモデルを抽出するために、事前に訓練された大規模言語モデルを活用する可能性のあるアプローチを調査する。具体的には、Natural Language Processing for Optimization (NL4OPT)チャレンジからヒントを得て、GPTモデルに対する分解ベースのプロンプトアプローチの初期結果を提示する。

要約(オリジナル)

Twenty-seven years ago, E. Freuder highlighted that ‘Constraint programming represents one of the closest approaches computer science has yet made to the Holy Grail of programming: the user states the problem, the computer solves it’. Nowadays, CP users have great modeling tools available (like Minizinc and CPMpy), allowing them to formulate the problem and then let a solver do the rest of the job, getting closer to the stated goal. However, this still requires the CP user to know the formalism and respect it. Another significant challenge lies in the expertise required to effectively model combinatorial problems. All this limits the wider adoption of CP. In this position paper, we investigate a possible approach to leverage pre-trained Large Language Models to extract models from textual problem descriptions. More specifically, we take inspiration from the Natural Language Processing for Optimization (NL4OPT) challenge and present early results with a decomposition-based prompting approach to GPT Models.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL