BeamPERL: Refuerzo Eficiente con Recompensas Verificables para Razonamiento en Mecánica de Estructuras Dinámicas

Abstract

BeamPERL demuestra cómo el uso de RL con parámetros eficientes (PEFT) y recompensas verificables puede especializar a modelos de lenguaje compactos en tareas de razonamiento mecánico estructural complejo. El paper es fundamental para el área de modelos de mundo y predicción en entornos físicos, ya que utiliza leyes de la física (mecánica de vigas) como base para el entrenamiento de recompensas. Este enfoque garantiza que las predicciones del modelo no solo sean estadísticamente probables, sino físicamente consistentes, proporcionando un puente entre el razonamiento simbólico de la IA y las leyes dinámicas de la ingeniería y la física espacial.