nlp2cmd

Thermodynamic Use Cases & Benefits

📚 Related Documentation

• Thermodynamic Integration - Core theory and architecture
• Examples Guide - How to run examples
• Python API Guide - Programmatic usage
• Use Cases - Domain demos overview

✅ Quick Start

python3 examples/thermodynamic_example.py
python3 examples/use_cases/drug_discovery.py

1) Drug Discovery (Lead Optimization)

Example: examples/use_cases/drug_discovery.py

Problem: wielokryterialna optymalizacja cząsteczki (binding + ADMET)

Solution (skrót):

Projected physicochemical profile:
  molecular_weight: 378.2
  logP: 2.7
  tpsa: 68.4
  hbd: 1.3
  hba: 5.4
  rotatable_bonds: 3.1

Korzyści vs alternatywy:

• vs LLM-only: energia oszczędzana dzięki samplingowi (45–57% mniejsze zużycie energii).
• vs ręczne reguły/QSAR: szybkie iteracje i równoczesna optymalizacja wielu kryteriów.
• vs pełny docking: redukcja kosztu wstępnego przeszukania przestrzeni kandydatów.

2) Healthcare Scheduling (OR + Nurse Rosters)

Example: examples/use_cases/healthcare.py

Problem: harmonogramowanie sal operacyjnych i grafiku personelu.

Solution (skrót):

• ułożenie harmonogramu z ograniczeniami czasu sterylizacji
• równoważenie obciążenia personelu i sal

Korzyści vs alternatywy:

• vs manualne planowanie: mniej konfliktów i szybszy time-to-schedule.
• vs LLM-only: stabilne spełnienie constraintów bez “hallucinated” terminów.

3) Bioinformatics Pipeline Scheduling

Example: examples/use_cases/bioinformatics.py

Problem: sekwencyjne kroki analizy genomowej z ograniczeniami RAM/CPU.

Solution (skrót):

• strategia równoległości dla FastQC/Alignment
• ograniczenia RAM per job są respektowane

Korzyści vs alternatywy:

• vs ręczne skrypty: lepsza równowaga throughput vs zasoby.
• vs LLM-only: ograniczenia sprzętowe traktowane jako twarde constrainty.

4) Logistics / Routing (VRP)

Example: examples/use_cases/logistics_supply_chain.py

Problem: minimalizacja dystansu przy zachowaniu okien czasowych.

Solution (skrót):

• optymalne trasy dla wielu pojazdów
• balans między dystansem a kosztami

Korzyści vs alternatywy:

• vs heurystyki ad-hoc: stabilniejsze wyniki przy wielu constraintach.
• vs LLM-only: brak naruszania ograniczeń liczby pojazdów i okien czasowych.

5) Physics / Experiment Scheduling

Example: examples/use_cases/physics_simulations.py

Problem: planowanie eksperymentów z czasami konfiguracji.

Solution (skrót):

• minimalizacja przełączeń konfiguracji
• priorytetyzacja zadań z deadline

Korzyści vs alternatywy:

• vs LLM-only: deterministyczna kontrola constraintów czasowych.
• vs manualne harmonogramy: krótszy czas konfiguracji i większa przepustowość.

Custom Problem Types (Fallback Behavior)

Jeśli problem_type nie ma dedykowanego modelu energii, system używa ConstraintEnergy, która zwraca tylko raw_sample. Możesz zmapować próbkę na zakresy:

import math

from nlp2cmd.generation.thermodynamic import OptimizationProblem

raw_sample = result.solution.get("raw_sample", [])
constraints = {c["var"]: c for c in problem.constraints if c.get("type") == "range"}

projected = {}
for idx, var in enumerate(problem.variables):
    raw_value = raw_sample[idx] if idx < len(raw_sample) else 0.0
    if var in constraints:
        min_val = float(constraints[var]["min"])
        max_val = float(constraints[var]["max"])
        projected[var] = min_val + (max_val - min_val) / (1 + math.exp(-raw_value))

print(projected)

Porównanie podejść (skrót)

Podejście	Zalety	Ograniczenia
DSL rules	<5 ms, zero kosztów LLM	Brak optymalizacji wielokryterialnej
LLM-only	Naturalne opisy, szybkie prototypowanie	Brak gwarancji constraintów
Thermodynamic	Constrainty + sampling + energia	Wymaga konfiguracji problemu

---

Tip: dla szybkiej demonstracji uruchom examples/thermodynamic_example.py.

This site is open source. Improve this page.