Fugu-MT 論文翻訳(概要): Integrating Large Language Models for Automated Structural Analysis

論文の概要: Integrating Large Language Models for Automated Structural Analysis

arxiv url: http://arxiv.org/abs/2504.09754v1
Date: Sun, 13 Apr 2025 23:10:33 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-23 02:40:01.897015
Title: Integrating Large Language Models for Automated Structural Analysis
Title（参考訳）: 自動構造解析のための大規模言語モデルの統合
Authors: Haoran Liang, Mohammad Talebi Kalaleh, Qipei Mei,
Abstract要約: 本稿では,Large Language Models (LLM) と構造解析ソフトウェアを統合するフレームワークを提案する。 LLMはテキストから構造記述を解析し、それらをPythonスクリプトに変換する。ドメイン固有のプロンプト設計とコンテキスト内学習戦略を採用し、LLMの問題解決能力と生成安定性を高める。
参考スコア（独自算出の注目度）: 0.7373617024876725
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automated analysis for engineering structures offers considerable potential for boosting efficiency by minimizing repetitive tasks. Although AI-driven methods are increasingly common, no systematic framework yet leverages Large Language Models (LLMs) for automatic structural analysis. To address this gap, we propose a novel framework that integrates LLMs with structural analysis software. LLMs serve as the core engine: they parse structural descriptions from text and translate them into executable Python scripts. Moreover, the framework integrates the generative capabilities of LLMs with code-based finite element (FE) tools like OpenSeesPy. It employs domain-specific prompt design and in-context learning strategies to enhance the LLM's problem-solving capabilities and generative stability, enabling fully automated structural analysis from descriptive text to model outputs. In our experiments, we introduce a well-curated small-scale benchmark dataset of 20 structural analysis word problems (SAWPs) with ground-truth solutions and evaluate the performance of different LLMs within our framework in solving these SAWPs. The role of system instructions, crafted by structural engineers, is also investigated to understand their impact on LLM-driven structural analysis. Additionally, the generative stability of our framework is examined. Through multiple validation experiments on the benchmark, our results demonstrate that the proposed framework can substantially increase the level of automation in solving SAWPs compared to traditional methods. Quantitatively, the framework, built on GPT-4o, achieved 100% accuracy, surpassing GPT-4 (85%), Gemini 1.5 Pro (80%), and Llama-3.3 (30%) on the test examples. Furthermore, integrating domain-specific instructions enhanced performance by 30% on problems with asymmetrical structural configurations.
Abstract（参考訳）: 工学構造の自動解析は、反復的なタスクを最小化することによって効率を向上する大きな可能性を秘めている。 AI駆動の手法はますます一般的になっているが、体系的なフレームワークはまだ自動構造解析にLarge Language Models (LLM)を利用している。このギャップに対処するために,LLMと構造解析ソフトウェアを統合する新しいフレームワークを提案する。 LLMはコアエンジンとして機能し、テキストから構造記述を解析し、実行可能なPythonスクリプトに変換する。さらに、このフレームワークはLLMの生成機能とOpenSeesPyのようなコードベースの有限要素(FE)ツールを統合する。ドメイン固有のプロンプト設計とコンテキスト内学習戦略を採用し、LLMの問題解決能力と生成安定性を高め、記述テキストからモデル出力への完全に自動化された構造解析を可能にする。実験では,20個の構造解析語問題 (SAWP) の高精度なベンチマークデータセットを導入し,これらのSAWPを解く際のフレームワーク内での異なるLLMの性能評価を行った。また,LLM駆動構造解析におけるシステム命令の役割について検討した。さらに,本フレームワークの生成安定性について検討した。提案手法は, 従来の手法と比較して, SAWPの解法における自動化のレベルを大幅に向上させることができることを示す。 GPT-4oをベースとしたこのフレームワークは、GPT-4 (85%)、Gemini 1.5 Pro (80%)、Llama-3.3 (30%) を上回り、100%の精度を達成した。さらに、ドメイン固有の命令を統合することで、非対称な構造構成の問題で性能が30%向上した。

関連論文リスト

BLADE: Benchmark suite for LLM-driven Automated Design and Evolution of iterative optimisation heuristics [2.2485774453793037]
BLADEは、連続的なブラックボックス最適化コンテキストにおいてLLM駆動のAADメソッドをベンチマークするためのフレームワークである。ベンチマーク問題とインスタンスジェネレータ、特殊化や情報エクスプロイトといった機能重視のテストを目的としたテキスト記述を統合する。 BLADEは、LCM駆動のAADアプローチを体系的に評価する、アウト・オブ・ザ・ボックスのソリューションを提供する。
論文参考訳（メタデータ） (2025-04-28T18:34:09Z)
Elucidating the Design Space of Multimodal Protein Language Models [69.3650883370033]
マルチモーダルタンパク質言語モデル(PLM)は、シーケンスとトークンに基づく構造情報を統合する。本稿では,マルチモーダルPLMの設計空間を体系的に解明し,その限界を克服する。我々の進歩はよりきめ細かな監督にアプローチし、トークンベースのマルチモーダルPLMが堅牢な構造モデリングを実現することを実証する。
論文参考訳（メタデータ） (2025-04-15T17:59:43Z)
Generating Structured Plan Representation of Procedures with LLMs [5.623006055588189]
本稿では,SOPを構造化表現に変換する新しい手法であるSOPStructuringを紹介する。 SOPStructは、異なるドメインにわたるSOPの標準化された表現を生成し、認知負荷を低減し、ユーザの理解を改善する。我々の研究は、プロセスモデリングを合理化するために、大規模言語モデルの変換可能性を強調します。
論文参考訳（メタデータ） (2025-03-28T22:38:24Z)
Assessing LLMs for Front-end Software Architecture Knowledge [0.0]
大規模言語モデル(LLM)は、ソフトウェア開発タスクの自動化において大きな可能性を証明している。本研究では,VIPER アーキテクチャ内の構造を理解し,再現し,生成する LLM の機能について検討する。実験の結果、ChatGPT 4 Turbo 2024-04-09 を用いて、LLM は評価や作成といった高次タスクに優れていたが、アーキテクチャの詳細の正確な検索を必要とする低次タスクでは課題に直面していたことが明らかとなった。
論文参考訳（メタデータ） (2025-02-26T19:33:35Z)
IMPROVE: Iterative Model Pipeline Refinement and Optimization Leveraging LLM Agents [17.301758094000125]
大規模言語モデル(LLM)エージェントは、コンピュータビジョンモデルの開発を自動化するための有望なソリューションとして登場した。 LLM駆動のMLパイプライン設計のための新しい戦略であるIterative Refinementを導入する。イテレーティブリファインメントは安定性、解釈可能性、全体的なモデルパフォーマンスを改善します。
論文参考訳（メタデータ） (2025-02-25T01:52:37Z)
Towards a Probabilistic Framework for Analyzing and Improving LLM-Enabled Software [0.0]
大規模言語モデル(LLM)対応システムは、ソフトウェア工学において重要な課題である。本稿では,これらのシステムを体系的に解析し,改善するための確率的枠組みを提案する。
論文参考訳（メタデータ） (2025-01-10T22:42:06Z)
StructTest: Benchmarking LLMs' Reasoning through Compositional Structured Outputs [78.84060166851805]
StructTestは、大規模な言語モデル(LLM)を合成命令に従って構造化出力を生成する能力に基づいて評価する、新しいベンチマークである。評価はルールベースの評価器を用いて決定的に行われ、新しいタスクやデータセットに容易に拡張できる。 StructTestは、Deepseek-V3/R1やGPT-4oといったトップパフォーマンスモデルでも、依然として難しいままです。
論文参考訳（メタデータ） (2024-12-23T22:08:40Z)
Large Language Model Agent as a Mechanical Designer [7.136205674624813]
本研究では、FEMモジュールと協調して事前訓練された大規模言語モデル(LLM)を利用して、構造設計を自律的に生成、評価、洗練するフレームワークを提案する。 LLMはドメイン固有の微調整なしで動作し、設計候補を提案し、FEMから派生した性能指標を解釈し、構造的な音響修正を適用する。 NSGA-II (Non-Sorting Genetic Algorithm II) と比較して,本手法はより高速に収束し,より少ないFEM評価を実現する。
論文参考訳（メタデータ） (2024-04-26T16:41:24Z)
LLM Inference Unveiled: Survey and Roofline Model Insights [62.92811060490876]
大規模言語モデル(LLM)推論は急速に進化しており、機会と課題のユニークなブレンドを提示している。本調査は, 研究状況を要約するだけでなく, 屋上モデルに基づく枠組みを導入することによって, 従来の文献レビューから際立っている。このフレームワークは、ハードウェアデバイスにLSMをデプロイする際のボトルネックを特定し、実用上の問題を明確に理解する。
論文参考訳（メタデータ） (2024-02-26T07:33:05Z)
Improving Open Information Extraction with Large Language Models: A Study on Demonstration Uncertainty [52.72790059506241]
オープン情報抽出(OIE)タスクは、構造化されていないテキストから構造化された事実を抽出することを目的としている。一般的なタスク解決手段としてChatGPTのような大きな言語モデル(LLM)の可能性にもかかわらず、OIEタスクの最先端(教師付き)メソッドは遅れている。
論文参考訳（メタデータ） (2023-09-07T01:35:24Z)
StructGPT: A General Framework for Large Language Model to Reason over Structured Data [117.13986738340027]
我々は,構造化データに基づく質問応答タスクの解法として,emphIterative Reading-then-Reasoning(IRR)アプローチを開発した。提案手法はChatGPTの性能を大幅に向上させ,全データの教師付きベースラインに対して同等のパフォーマンスを実現する。
論文参考訳（メタデータ） (2023-05-16T17:45:23Z)
Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文参考訳（メタデータ） (2020-12-01T11:46:03Z)

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。