論文の概要: AutoFLUKA: A Large Language Model Based Framework for Automating Monte Carlo Simulations in FLUKA

• arxiv url: http://arxiv.org/abs/2410.15222v1
• Date: Sat, 19 Oct 2024 21:50:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:16:03.740600
• Title: AutoFLUKA: A Large Language Model Based Framework for Automating Monte Carlo Simulations in FLUKA
• Title（参考訳）: AutoFLUKA: FLUKAにおけるモンテカルロシミュレーションの自動化のための大規模言語モデルベースフレームワーク
• Authors: Zavier Ndum Ndum, Jian Tao, John Ford, Yang Liu,
• Abstract要約: モンテカルロ (MC) シミュレーションは、科学と工学の分野で現実世界のシナリオを再現するために不可欠である。 堅牢性と汎用性にもかかわらず、FLUKAは自動化と外部の後処理ツールとの統合において大きな制限に直面している。 本研究では,これらの制約に対処するLarge Language Models(LLM)とAIエージェントの可能性について検討する。 本稿では、LangChain Python Frameworkを用いて開発され、FLUKAの典型的なMCシミュレーションを自動化するAIエージェントであるAutoFLUKAを紹介する。
• 参考スコア（独自算出の注目度）: 6.571041942559539
• License:
• Abstract: Monte Carlo (MC) simulations, particularly using FLUKA, are essential for replicating real-world scenarios across scientific and engineering fields. Despite the robustness and versatility, FLUKA faces significant limitations in automation and integration with external post-processing tools, leading to workflows with a steep learning curve, which are time-consuming and prone to human errors. Traditional methods involving the use of shell and Python scripts, MATLAB, and Microsoft Excel require extensive manual intervention and lack flexibility, adding complexity to evolving scenarios. This study explores the potential of Large Language Models (LLMs) and AI agents to address these limitations. AI agents, integrate natural language processing with autonomous reasoning for decision-making and adaptive planning, making them ideal for automation. We introduce AutoFLUKA, an AI agent application developed using the LangChain Python Framework to automate typical MC simulation workflows in FLUKA. AutoFLUKA can modify FLUKA input files, execute simulations, and efficiently process results for visualization, significantly reducing human labor and error. Our case studies demonstrate that AutoFLUKA can handle both generalized and domain-specific cases, such as Microdosimetry, with an streamlined automated workflow, showcasing its scalability and flexibility. The study also highlights the potential of Retrieval Augmentation Generation (RAG) tools to act as virtual assistants for FLUKA, further improving user experience, time and efficiency. In conclusion, AutoFLUKA represents a significant advancement in automating MC simulation workflows, offering a robust solution to the inherent limitations. This innovation not only saves time and resources but also opens new paradigms for research and development in high energy physics, medical physics, nuclear engineering space and environmental science.
• Abstract（参考訳）: モンテカルロシミュレーション(MC)は、特にFLUKAを用いて、科学や工学の分野で現実世界のシナリオを再現するために不可欠である。 堅牢性と汎用性にもかかわらず、FLUKAは自動化と外部のポストプロセッシングツールとの統合において、大幅な制限に直面している。 シェルとPythonスクリプト、MATLAB、Microsoft Excelを使用する従来の方法では、手作業による介入と柔軟性の欠如が必要であり、進化するシナリオに複雑さを追加する。 本研究では,これらの制約に対処するLarge Language Models(LLM)とAIエージェントの可能性について検討する。 AIエージェントは、自然言語処理と意思決定と適応計画のための自律推論を統合し、自動化に最適である。 本稿では、LangChain Python Frameworkを用いて開発され、FLUKAの典型的なMCシミュレーションワークフローを自動化するAIエージェントであるAutoFLUKAを紹介する。 AutoFLUKAは、FLUKA入力ファイルを修正し、シミュレーションを実行し、視覚化の結果を効率的に処理し、人間の労力とエラーを大幅に削減できる。 我々のケーススタディは、AutoFLUKAがMicrodosimetryのような汎用ケースとドメイン固有のケースの両方を合理化された自動化ワークフローで処理できることを示し、スケーラビリティと柔軟性を示している。 この研究は、FLUKAの仮想アシスタントとして機能するRetrieval Augmentation Generation(RAG)ツールの可能性を強調し、ユーザーエクスペリエンス、時間、効率をさらに改善する。 結論として、AutoFLUKAはMCシミュレーションワークフローの自動化において大きな進歩を示し、固有の制限に対する堅牢なソリューションを提供する。 このイノベーションは時間と資源を節約するだけでなく、高エネルギー物理学、医学物理学、核工学、環境科学の研究開発の新しいパラダイムも開きつつある。

関連論文リスト

• AdaptoML-UX: An Adaptive User-centered GUI-based AutoML Toolkit for Non-AI Experts and HCI Researchers [19.602247178319992]
  AdaptoML-UXは、自動機能エンジニアリング、機械学習、インクリメンタルラーニングを組み込んだアダプティブフレームワークである。 我々のツールキットは、多様な問題領域やデータセットに効率的に適応できることを示します。 インクリメンタルな学習を通じてモデルのパーソナライズをサポートし、個々のユーザの振る舞いに合わせてモデルをカスタマイズする。
  論文  参考訳（メタデータ） (2024-10-22T22:52:14Z)
• MetaOpenFOAM: an LLM-based multi-agent framework for CFD [11.508919041921942]
  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。
  論文  参考訳（メタデータ） (2024-07-31T04:01:08Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• In Situ Framework for Coupling Simulation and Machine Learning with Application to CFD [51.04126395480625]
  近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。 シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。 この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
  論文  参考訳（メタデータ） (2023-06-22T14:07:54Z)
• AutoML-GPT: Automatic Machine Learning with GPT [74.30699827690596]
  本稿では,タスク指向のプロンプトを開発し,大規模言語モデル(LLM)を自動的に活用して学習パイプラインを自動化することを提案する。 本稿では,多様なAIモデルのブリッジとしてGPTを用いたAutoML-GPTを提案する。 このアプローチはコンピュータビジョン、自然言語処理、その他の課題領域において顕著な結果をもたらす。
  論文  参考訳（メタデータ） (2023-05-04T02:09:43Z)
• OmniForce: On Human-Centered, Large Model Empowered and Cloud-Edge Collaborative AutoML System [85.8338446357469]
  我々は人間中心のAutoMLシステムであるOmniForceを紹介した。 我々は、OmniForceがAutoMLシステムを実践し、オープン環境シナリオにおける適応型AIを構築する方法について説明する。
  論文  参考訳（メタデータ） (2023-03-01T13:35:22Z)
• Automated machine learning: AI-driven decision making in business analytics [0.0]
  本稿では、ビジネス分析におけるアプリケーションにおけるAutoMLの可能性について分析する。 H2O AutoMLフレームワークは、手動でチューニングされたMLモデルに対してベンチマークされた。 高速で、使いやすく、信頼性の高い結果を提供する。
  論文  参考訳（メタデータ） (2022-05-21T08:35:02Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
  離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。 エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。 本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2020-11-10T19:31:29Z)
• Resource-Aware Pareto-Optimal Automated Machine Learning Platform [1.6746303554275583]
  新プラットフォーム Resource-Aware AutoML (RA-AutoML) RA-AutoMLは、フレキシブルで一般化されたアルゴリズムで、複数の目的に合わせた機械学習モデルを構築することができる。
  論文  参考訳（メタデータ） (2020-10-30T19:37:48Z)

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。