論文の概要: A Large Language Model-based multi-agent manufacturing system for intelligent shopfloor

• arxiv url: http://arxiv.org/abs/2405.16887v2
• Date: Mon, 22 Sep 2025 13:20:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.588535
• Title: A Large Language Model-based multi-agent manufacturing system for intelligent shopfloor
• Title（参考訳）: インテリジェントショップフロアのための大規模言語モデルに基づくマルチエージェント製造システム
• Authors: Zhen Zhao, Dunbing Tang, Changchun Liu, Liping Wang, Zequn Zhang, Haihua Zhu, Kai Chen, Qingwei Nie, Yuchen Ji,
• Abstract要約: 研究者はマルチエージェント製造システムを提案した。 システムは多様なエージェントのモジュールと、それらの共同製造方法で構成されている。 LLMベースのモジュールは、事前トレーニングを必要とせずに、システムに動的な機能を提供する。
• 参考スコア（独自算出の注目度）: 18.05032431865356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As customer demand for multi-variety and small-batch production increases, dynamic disturbances place greater demands on manufacturing systems. To address such challenges, researchers proposed the multi-agent manufacturing system. However, conventional agent negotiation typically relies on pre-defined and fixed heuristic rules, which are ill-suited to managing complex and fluctuating disturbances. In current implementations, mainstream approaches based on reinforcement learning require the development of simulators and training models specific to a given shopfloor, necessitating substantial computational resources and lacking scalability. To overcome this limitation, the present study proposes a Large Language Model-based (LLM-based) multi-agent manufacturing system for intelligent shopfloor management. By defining the diverse modules of agents and their collaborative methods, this system facilitates the processing of all workpieces with minimal human intervention. The agents in this system consist of the Machine Server Module (MSM), Bid Inviter Module (BIM), Bidder Module (BM), Thinking Module (TM), and Decision Module (DM). By harnessing the reasoning capabilities of LLMs, these modules enable agents to dynamically analyze shopfloor information and select appropriate processing machines. The LLM-based modules, predefined by system prompts, provide dynamic functionality for the system without the need for pre-training. Extensive experiments were conducted in physical shopfloor settings. The results demonstrate that the proposed system exhibits strong adaptability, and achieves superior performance (makespan) and stability (as measured by sample standard deviation) compared to other approaches without requiring pre-training.
• Abstract（参考訳）: 多品種・小バッチ生産に対する顧客の需要が増大するにつれて、動的障害は製造システムにより大きな需要をもたらす。 このような課題に対処するため、研究者らはマルチエージェント製造システムを提案した。 しかし、従来のエージェントネゴシエーションは、一般的に、複雑で変動する障害を管理するのに不適な、事前定義された、固定されたヒューリスティックなルールに依存している。 現在の実装では、強化学習に基づく主流のアプローチは、特定のショップフロアに固有のシミュレータやトレーニングモデルの開発を必要とし、かなりの計算資源を必要とし、スケーラビリティを欠いている。 この限界を克服するため,知的店舗経営のための大規模言語モデル(LLM)多エージェント製造システムを提案する。 エージェントの多様なモジュールとその協調手法を定義することにより、このシステムは人間の介入を最小限に抑えて、すべてのワークピースの処理を容易にする。 このシステムのエージェントは、マシンサーバモジュール(MSM)、バイダーモジュール(BIM)、バイダーモジュール(BM)、シンキングモジュール(TM)、決定モジュール(DM)で構成されている。 LLMの推論機能を利用することで、エージェントは店頭情報を動的に分析し、適切な処理マシンを選択することができる。 LLMベースのモジュールは、システムプロンプトによって事前定義されたもので、事前トレーニングを必要とせずに、システムに動的な機能を提供する。 実店舗で大規模実験を行った。 その結果,本システムは高い適応性を示し,事前学習を必要とせず,他の手法と比較して優れた性能(マッケパン)と安定性(サンプル標準偏差の測定値)が得られることを示した。

関連論文リスト

• Co-Saving: Resource Aware Multi-Agent Collaboration for Software Development [65.94639060883475]
  本稿では,リソースを意識したマルチエージェントシステムであるCo-Savingを提案する。 私たちの重要なイノベーションは、"ショートカット"の導入です。 最先端のMAS ChatDevと比較して,トークン使用量の平均50.85%の削減を実現している。
  論文  参考訳（メタデータ） (2025-05-28T02:23:53Z)
• LLM-Powered AI Agent Systems and Their Applications in Industry [3.103098467546532]
  LLM(Large Language Models)はエージェントシステムである。 タスクスコープが制限された従来のルールベースのエージェントとは異なり、LLMベースのエージェントはより柔軟性、ドメイン間の推論、自然言語の相互作用を提供する。
  論文  参考訳（メタデータ） (2025-05-22T01:52:15Z)
• LMAgent: A Large-scale Multimodal Agents Society for Multi-user Simulation [66.52371505566815]
  大規模言語モデル(LLM)ベースのAIエージェントは、人間のような知性を達成するために、大きな進歩を遂げた。 LMAgentは,マルチモーダル LLM に基づく大規模かつマルチモーダルなエージェント社会である。 LMAgentでは、友人とチャットする以外に、エージェントは自動で商品を閲覧、購入、レビューしたり、ライブストリーミングのeコマースを行うこともできる。
  論文  参考訳（メタデータ） (2024-12-12T12:47:09Z)
• Agent-as-a-Judge: Evaluate Agents with Agents [61.33974108405561]
  本稿ではエージェント・アズ・ア・ジャッジ(Agent-as-a-Judge)フレームワークを紹介し,エージェント・システムを用いてエージェント・システムの評価を行う。 これはLLM-as-a-Judgeフレームワークの有機的拡張であり、タスク解決プロセス全体の中間フィードバックを可能にするエージェント的特徴を取り入れている。 55のリアルな自動化AI開発タスクのベンチマークであるDevAIを紹介します。
  論文  参考訳（メタデータ） (2024-10-14T17:57:02Z)
• Agent-Oriented Planning in Multi-Agent Systems [54.429028104022066]
  本稿では,高速なタスク分解とアロケーションプロセスを活用するマルチエージェントシステムにおけるエージェント指向計画のための新しいフレームワークを提案する。 提案フレームワークにフィードバックループを組み込んで,そのような問題解決プロセスの有効性と堅牢性をさらに向上させる。
  論文  参考訳（メタデータ） (2024-10-03T04:07:51Z)
• Towards Human-Level Understanding of Complex Process Engineering Schematics: A Pedagogical, Introspective Multi-Agent Framework for Open-Domain Question Answering [0.0]
  化学・プロセス産業では、プロセス・フロー・ダイアグラム(PFD)とパイプ・アンド・インスツルメンテーション・ダイアグラム(P&ID)が設計、建設、保守に不可欠である。 生成型AIの最近の進歩は、ビジュアル質問回答(VQA)のプロセス図の理解と解釈の約束を示している。 本稿では,階層的かつマルチエージェントなRetrieval Augmented Generation(RAG)フレームワークを用いた,セキュアでオンプレミスなエンタープライズソリューションを提案する。
  論文  参考訳（メタデータ） (2024-08-24T19:34:04Z)
• Optimizing Collaboration of LLM based Agents for Finite Element Analysis [1.5039745292757671]
  本稿では,Large Language Models (LLM) 内の複数のエージェント間の相互作用について,プログラミングおよびコーディングタスクの文脈で検討する。 我々はAutoGenフレームワークを利用してエージェント間の通信を容易にし、各セットアップの40のランダムランからの成功率に基づいて異なる構成を評価する。
  論文  参考訳（メタデータ） (2024-08-23T23:11:08Z)
• EvoAgent: Towards Automatic Multi-Agent Generation via Evolutionary Algorithms [55.77492625524141]
  EvoAgentは進化的アルゴリズムによって専門家エージェントをマルチエージェントシステムに自動的に拡張する汎用的な手法である。 EvoAgentは複数の専門家エージェントを自動生成し,LLMエージェントのタスク解決能力を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-06-20T11:49:23Z)
• Large Multimodal Agents: A Survey [78.81459893884737]
  大規模言語モデル(LLM)は、テキストベースのAIエージェントのパワーで優れたパフォーマンスを実現している。 LLMを利用したAIエージェントをマルチモーダルドメインに拡張することに焦点を当てた、新たな研究トレンドがある。 本総説は, この急速に発展する分野において, 今後の研究に有用な洞察とガイドラインを提供することを目的としている。
  論文  参考訳（メタデータ） (2024-02-23T06:04:23Z)
• XUAT-Copilot: Multi-Agent Collaborative System for Automated User Acceptance Testing with Large Language Model [9.05375318147931]
  自動UATのためのマルチエージェント協調システムXUAT-Copilotを提案する。 提案システムは主に,動作計画,状態チェック,パラメータ選択を担当する3つのLCMエージェントと,状態検出とケース書き換えのための2つのモジュールから構成される。 実験では,Pass@1の精度を単エージェントアーキテクチャと比較して大幅に向上した。
  論文  参考訳（メタデータ） (2024-01-05T08:24:30Z)
• Controlling Large Language Model-based Agents for Large-Scale Decision-Making: An Actor-Critic Approach [28.477463632107558]
  我々はLLaMACと呼ばれるモジュラーフレームワークを開発し、大規模言語モデルにおける幻覚とマルチエージェントシステムにおける協調に対処する。 LLaMACは、人間の脳にあるものに似た値分布をコードし、内部および外部からのフィードバック機構を利用して、モジュール間の協調と反復的推論を促進する。
  論文  参考訳（メタデータ） (2023-11-23T10:14:58Z)
• Phantom -- A RL-driven multi-agent framework to model complex systems [1.0499611180329804]
  Phantomは複雑なマルチエージェントシステムのエージェントベースのモデリングのためのRL駆動のフレームワークである。 MARL互換の方法でABM仕様を簡素化するツールを提供することを目標としている。 これらの特徴,その設計根拠,およびフレームワークを活用した2つの新しい環境について述べる。
  論文  参考訳（メタデータ） (2022-10-12T08:37:38Z)
• Concepts and Algorithms for Agent-based Decentralized and Integrated Scheduling of Production and Auxiliary Processes [78.120734120667]
  本稿ではエージェントベースの分散型統合スケジューリング手法について述べる。 要求の一部は、線形にスケールする通信アーキテクチャを開発することである。 このアプローチは、工業的要件に基づいた例を使って説明されます。
  論文  参考訳（メタデータ） (2022-05-06T18:44:29Z)
• Will bots take over the supply chain? Revisiting Agent-based supply chain automation [71.77396882936951]
  エージェントベースのサプライチェーンは2000年初頭から提案されている。 エージェントベースの技術は成熟しており、サプライチェーンに浸透している他の支援技術はギャップを埋めている。 例えば、IoTテクノロジのユビキティは、エージェントがサプライチェーンの状態を“理解”し、自動化のための新たな可能性を開くのに役立つ。
  論文  参考訳（メタデータ） (2021-09-03T18:44:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。