論文の概要: MetaOpenFOAM: an LLM-based multi-agent framework for CFD

• arxiv url: http://arxiv.org/abs/2407.21320v1
• Date: Wed, 31 Jul 2024 04:01:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-01 18:51:29.050510
• Title: MetaOpenFOAM: an LLM-based multi-agent framework for CFD
• Title（参考訳）: MetaOpenFOAM:CFDのためのLLMベースのマルチエージェントフレームワーク
• Authors: Yuxuan Chena, Xu Zhua, Hua Zhoua, Zhuyin Rena,
• Abstract要約: MetaOpenFOAMは、新しいマルチエージェントコラボレーションフレームワークである。 入力として自然言語のみを用いてCFDシミュレーションタスクを完了することを目的としている。 MetaGPTのアセンブリラインパラダイムのパワーを利用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Remarkable progress has been made in automated problem solving through societies of agents based on large language models (LLMs). Computational fluid dynamics (CFD), as a complex problem, presents unique challenges in automated simulations that require sophisticated solutions. MetaOpenFOAM, as a novel multi-agent collaborations framework, aims to complete CFD simulation tasks with only natural language as input. These simulation tasks include mesh pre-processing, simulation and post-processing, etc. MetaOpenFOAM harnesses the power of MetaGPT's assembly line paradigm, which assigns diverse roles to various agents, efficiently breaking down complex CFD tasks into manageable subtasks. Langchain further complements MetaOpenFOAM by integrating Retrieval-Augmented Generation (RAG) technology, which enhances the framework's ability by integrating a searchable database of OpenFOAM tutorials for LLMs. Tests on a benchmark for natural language-based CFD solver, consisting of 8 CFD simulation tasks, have shown that MetaOpenFOAM achieved a high pass rate per test (85%), with each test case costing only $0.22 on average. The 8 CFD simulation tasks include compressible and incompressible flows, 2D and 3D flows, heat transfer, and combustion, demonstrating the ability to automate CFD simulations using only natural language input and iteratively correct errors to achieve the desired simulation at a low cost. An ablation study was conducted to verify the necessity of each component in the multi-agent system and the RAG technology. A sensitivity study on the randomness of LLM showed that LLM with low randomness can obtain more stable and accurate results. Additionally, MetaOpenFOAM own the ability to identify and modify key parameters in user requirements and excels in correcting bugs when failures occur, with or without human participation, which demonstrates the generalization of MetaOpenFOAM.
• Abstract（参考訳）: 大規模言語モデル(LLM)に基づくエージェントの社会による自動問題解決において,顕著な進歩がみられた。 計算流体力学(CFD、Computational fluid dynamics)は複雑な問題である。 MetaOpenFOAMは、新しいマルチエージェントコラボレーションフレームワークであり、入力として自然言語のみを用いてCFDシミュレーションタスクを完了することを目的としている。 これらのシミュレーションタスクには、メッシュ前処理、シミュレーション、後処理などが含まれる。 MetaOpenFOAMはMetaGPTのアセンブリラインパラダイムのパワーを活用し、多様な役割をさまざまなエージェントに割り当て、複雑なCFDタスクを効率的に管理可能なサブタスクに分割する。 Langchainはさらに、Retrieval-Augmented Generation (RAG)技術を統合することでMetaOpenFOAMを補完し、LLM用のOpenFOAMチュートリアルの検索可能なデータベースを統合することにより、フレームワークの能力を高める。 8つのCFDシミュレーションタスクからなる自然言語ベースのCFDソルバのベンチマークテストでは、MetaOpenFOAMがテスト毎の高パスレート(85%)を達成したことが示されており、各テストケースの平均費用は0.22ドルである。 8つのCFDシミュレーションタスクには、圧縮性と非圧縮性の流れ、2Dと3Dの流れ、伝熱と燃焼が含まれており、自然言語入力と反復的誤りのみを用いてCFDシミュレーションを自動化し、所望のシミュレーションを低コストで達成する能力を示している。 マルチエージェントシステムとRAG技術における各コンポーネントの必要性を検証するためのアブレーション試験を行った。 LLMのランダム性に関する感度研究により、低ランダム性LLMはより安定かつ正確な結果が得られることが示された。 さらに、MetaOpenFOAMは、ユーザ要求のキーパラメータを識別し、修正する機能を持ち、障害発生時に、人による参加の有無にかかわらず、バグの修正に優れており、MetaOpenFOAMの一般化を実証している。

関連論文リスト

• Reference Trustable Decoding: A Training-Free Augmentation Paradigm for Large Language Models [79.41139393080736]
  大規模言語モデル(LLM)は急速に進歩し、印象的な機能を示している。 In-Context Learning (ICL) など。 効率的なファインチューニング(PEFT)は、現在2つの主要な拡張方法である。 下流タスクへのLLM。 我々は、モデルが微調整なしで新しいタスクに迅速に適応できるパラダイムである参照信頼復号(RTD)を提案する。
  論文  参考訳（メタデータ） (2024-09-30T10:48:20Z)
• Modality Prompts for Arbitrary Modality Salient Object Detection [57.610000247519196]
  本論文は、任意のモーダリティ・サリエント物体検出(AM SOD)の課題について述べる。 任意のモダリティ、例えばRGBイメージ、RGB-Dイメージ、RGB-D-Tイメージから有能なオブジェクトを検出することを目的としている。 AM SODの2つの基本的な課題を解明するために,新しいモード適応トランス (MAT) を提案する。
  論文  参考訳（メタデータ） (2024-05-06T11:02:02Z)
• Adaptive-RAG: Learning to Adapt Retrieval-Augmented Large Language Models through Question Complexity [59.57065228857247]
  Retrieval-augmented Large Language Models (LLMs) は、質問回答(QA)のようなタスクにおける応答精度を高めるための有望なアプローチとして登場した。 本稿では,クエリの複雑さに基づいて,LLMの最適戦略を動的に選択できる適応型QAフレームワークを提案する。 オープンドメインのQAデータセットを用いて、複数のクエリの複雑さを網羅し、QAシステムの全体的な効率性と精度を高めることを示す。
  論文  参考訳（メタデータ） (2024-03-21T13:52:30Z)
• Combining Machine Learning with Computational Fluid Dynamics using OpenFOAM and SmartSim [39.58317527488534]
  OpenFOAMとSmartSimを使ってCFD+MLアルゴリズムを開発するための効果的でスケーラブルなソリューションを提供する。 SmartSimはCFD+MLアルゴリズムとRedisデータベースのプログラミングを大幅に単純化するOrchestratorを提供する。 我々はSmartSimを利用してOpenFOAMのさまざまなセグメントをMLに効果的に結合する方法を示し、これにはプリ/ポスト処理アプリケーション、ソルバ、関数オブジェクト、メッシュモーションソルバが含まれる。
  論文  参考訳（メタデータ） (2024-02-25T20:39:44Z)
• Modality Plug-and-Play: Elastic Modality Adaptation in Multimodal LLMs for Embodied AI [10.82017289243097]
  LLM(Large Language Models)は、事前訓練されたエンコーダを通じて様々な入力データモダリティを推論することができる。 m-LLMは、既存の最良のスキームと比較してタスクの精度を最大4%改善する。
  論文  参考訳（メタデータ） (2023-12-13T04:08:59Z)
• Task-Distributionally Robust Data-Free Meta-Learning [99.56612787882334]
  Data-Free Meta-Learning (DFML)は、複数の事前学習モデルを活用することで、独自のトレーニングデータを必要とせずに、新しいタスクを効率的に学習することを目的としている。 TDS(Task-Distribution Shift)とTDC(Task-Distribution Corruption)の2つの大きな課題を初めて明らかにした。
  論文  参考訳（メタデータ） (2023-11-23T15:46:54Z)
• Applied metamodelling for ATM performance simulations [0.0]
  XALM(eXplainable Active Learning Metamodel)は、アクティブラーニングとSHAP値をシミュレーションメタモデルに統合するフレームワークである。 XALMはATMシミュレータにおける入力変数と出力変数の間の隠れた関係を効率的に発見する。 ケーススタディでは、シミュレーションの解釈可能性の向上と変数相互作用の理解におけるXALMの有効性が示されている。
  論文  参考訳（メタデータ） (2023-08-07T08:46:10Z)
• Transformer-based Context Condensation for Boosting Feature Pyramids in Object Detection [77.50110439560152]
  現在の物体検出器は、通常マルチレベル特徴融合(MFF)のための特徴ピラミッド(FP)モジュールを持つ。 我々は,既存のFPがより優れたMFF結果を提供するのに役立つ,新しい,効率的なコンテキストモデリング機構を提案する。 特に,包括的文脈を2種類の表現に分解・凝縮して高効率化を図っている。
  論文  参考訳（メタデータ） (2022-07-14T01:45:03Z)
• Scanflow: A multi-graph framework for Machine Learning workflow management, supervision, and debugging [0.0]
  本稿では,エンドツーエンドの機械学習ワークフロー管理を支援するコンテナ化指向グラフフレームワークを提案する。 このフレームワークは、コンテナ内でMLを定義してデプロイし、メタデータを追跡し、本番環境での振る舞いを確認し、学習された知識と人為的な知識を使用してモデルを改善する。
  論文  参考訳（メタデータ） (2021-11-04T17:01:12Z)
• Energy-Efficient and Federated Meta-Learning via Projected Stochastic Gradient Ascent [79.58680275615752]
  エネルギー効率のよいメタラーニングフレームワークを提案する。 各タスクは別々のエージェントによって所有されていると仮定するため、メタモデルをトレーニングするために限られたタスクが使用される。
  論文  参考訳（メタデータ） (2021-05-31T08:15:44Z)

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。