論文の概要: Controlled Agentic Planning & Reasoning for Mechanism Synthesis

• arxiv url: http://arxiv.org/abs/2505.17607v1
• Date: Fri, 23 May 2025 08:16:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.918937
• Title: Controlled Agentic Planning & Reasoning for Mechanism Synthesis
• Title（参考訳）: 機構合成のための制御されたエージェント計画と推論
• Authors: João Pedro Gandarela, Thiago Rios, Stefan Menzel, André Freitas,
• Abstract要約: 本研究は,メカニズム合成のためのLLMに基づく推論手法を提案する。 言語レベルと記号レベルの両方で推論し、幾何学的および動的結果を生成することができる。
• 参考スコア（独自算出の注目度）: 8.273778202041365
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This work presents a dual-agent Large Language Model (LLM)-based reasoning method for mechanism synthesis, capable of reasoning at both linguistic and symbolic levels to generate geometrical and dynamic outcomes. The model consists of a composition of well-defined functions that, starting from a natural language specification, references abstract properties through supporting equations, generates and parametrizes simulation code, and elicits feedback anchor points using symbolic regression and distance functions. This process closes an actionable refinement loop at the linguistic and symbolic layers. The approach is shown to be both effective and convergent in the context of planar mechanisms. Additionally, we introduce MSynth, a novel benchmark for planar mechanism synthesis, and perform a comprehensive analysis of the impact of the model components. We further demonstrate that symbolic regression prompts unlock mechanistic insights only when applied to sufficiently large architectures.
• Abstract（参考訳）: 本研究は, 言語レベルと記号レベルの両方で推論を行い, 幾何学的および動的結果を生成する, LLMに基づく機構合成の推論手法を提案する。 このモデルは、自然言語仕様から始まり、方程式の支持による抽象的性質を参照し、シミュレーションコードの生成とパラメータ化を行い、シンボル回帰と距離関数を用いてフィードバックアンカーポイントを抽出する、明確に定義された関数からなる。 このプロセスは言語層と記号層で実行可能な洗練されたループを閉じる。 この手法は、平面機構の文脈において効果的かつ収束的であることが示されている。 さらに、平面機構合成のための新しいベンチマークであるMSynthを導入し、モデルコンポーネントの影響を包括的に分析する。 さらに,十分に大規模なアーキテクチャに適用した場合のみ,記号回帰が機械的洞察を解き放つことを実証する。

関連論文リスト

• SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
  SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。 行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。 我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
  論文  参考訳（メタデータ） (2026-01-06T19:47:11Z)
• Bayesian Symbolic Regression via Posterior Sampling [0.0]
  記号回帰はデータから直接支配方程式を発見する強力なツールであるが、ノイズに対する感度はより広い応用を妨げる。 本稿では,記号表現上の後部分布を近似したベイズ記号回帰のための逐次モンテカルロフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-11T17:38:20Z)
• URDF-Anything: Constructing Articulated Objects with 3D Multimodal Language Model [76.08429266631823]
  3次元マルチモーダル大言語モデル(MLLM)に基づくエンドツーエンドの自動再構築フレームワークを提案する。 URDF-Anythingは、ポイントクラウドとテキストマルチモーダル入力に基づく自己回帰予測フレームワークを使用して、幾何学的セグメンテーションと運動論的パラメータ予測を協調的に最適化する。 シミュレーションと実世界の両方のデータセットの実験は、我々の手法が既存の手法よりも大幅に優れていることを示した。
  論文  参考訳（メタデータ） (2025-11-02T13:45:51Z)
• CircuitSense: A Hierarchical Circuit System Benchmark Bridging Visual Comprehension and Symbolic Reasoning in Engineering Design Process [29.38618453695266]
  エンジニアリング設計は、システム仕様からコンポーネント実装までの階層的な抽象化を通して行われる。 MLLM(Multi-modal Large Language Models)は自然画像のタスクに優れるが、技術図から数学的モデルを抽出する能力はいまだ解明されていない。 textbfCircuitSenseは、コンポーネントレベルのスキーマからシステムレベルのブロックダイアグラムにまたがる8,006以上の問題を通じて、この階層の回路理解を評価するベンチマークである。
  論文  参考訳（メタデータ） (2025-09-26T13:32:14Z)
• Hierarchical Bayesian Operator-induced Symbolic Regression Trees for Structural Learning of Scientific Expressions [3.8545239266455185]
  我々は,木構造的記号表現のアンサンブルとして科学法則を表す記号回帰の階層的ベイズ的枠組みを開発する。 我々はベイズ後部濃度の最小値に近い値を確立し、シンボル回帰の文脈で最初の厳密な保証を提供する。 実験的な評価は,提案手法の最先端の競合モジュールに対する堅牢な性能を示す。
  論文  参考訳（メタデータ） (2025-09-24T02:42:25Z)
• Mechanisms vs. Outcomes: Probing for Syntax Fails to Explain Performance on Targeted Syntactic Evaluations [33.04242471060053]
  大規模言語モデル(LLM)は、テキストの処理と生成において、構文の堅牢な熟達を示す。 モデルの探索精度が下流の構文的性能を確実に予測するかどうかについては、網羅的な研究はまだ確定していない。
  論文  参考訳（メタデータ） (2025-06-20T01:46:50Z)
• Sparse Interpretable Deep Learning with LIES Networks for Symbolic Regression [22.345828337550575]
  記号回帰は、データを正確に記述する閉形式の数学的表現を発見することを目的としている。 既存のSR手法は、しばしば人口に基づく探索や自己回帰モデリングに依存している。 LIES(Logarithm, Identity, Exponential, Sine)は,シンボル表現のモデル化に最適化された,解釈可能なプリミティブアクティベーションを備えたニューラルネットワークアーキテクチャである。
  論文  参考訳（メタデータ） (2025-06-09T22:05:53Z)
• Exploiting Symbolic Heuristics for the Synthesis of Domain-Specific Temporal Planning Guidance using Reinforcement Learning [51.54559117314768]
  最近の研究は、時間プランナーの性能向上のためのガイダンスの合成に強化学習(Reinforcement Learning, RL)を用いることを検討した。 本稿では,RLと計画段階の両方において,シンボリックスが提供した情報を活用することに焦点を当てた学習計画フレームワークの進化を提案する。
  論文  参考訳（メタデータ） (2025-05-19T17:19:13Z)
• Neurosymbolic artificial intelligence via large language models and coherence-driven inference [3.522062800701924]
  我々は、コヒーレンス駆動推論をサポートするグラフを客観的にインスタンス化する一連の命題を生成する。 自然言語で表現された命題からコヒーレンスグラフを再構築する大規模言語モデルの能力をベンチマークする。
  論文  参考訳（メタデータ） (2025-02-19T18:53:16Z)
• VisualPredicator: Learning Abstract World Models with Neuro-Symbolic Predicates for Robot Planning [86.59849798539312]
  本稿では,記号的・神経的知識表現の強みを組み合わせた一階抽象言語Neuro-Symbolic Predicatesを提案する。 提案手法は, サンプルの複雑さの向上, 分布外一般化の強化, 解釈可能性の向上を実現する。
  論文  参考訳（メタデータ） (2024-10-30T16:11:05Z)
• Procedural Synthesis of Synthesizable Molecules [22.905205379063148]
  合成可能な分子の設計と、合成不可能な分子へのアナログの推奨は、分子発見を加速させる重要な問題である。 プログラム合成のアイデアを用いて,両問題を再認識する。 合成経路の空間を推論するための二段階のフレームワークを作成する。
  論文  参考訳（メタデータ） (2024-08-24T04:32:36Z)
• Autoregressive Speech Synthesis without Vector Quantization [135.4776759536272]
  We present MELLE, a novel continuous-valued token based language modeling approach for text-to-speech synthesis (TTS)。 MELLEはテキスト条件から直接連続メル-スペクトログラムフレームを自動回帰生成する。 MELLEは、サンプリングベクトル量子化符号の固有の欠陥を回避し、ロバスト性問題を緩和する。
  論文  参考訳（メタデータ） (2024-07-11T14:36:53Z)
• The Buffer Mechanism for Multi-Step Information Reasoning in Language Models [52.77133661679439]
  大きな言語モデルの内部的推論メカニズムを調べることは、よりよいモデルアーキテクチャとトレーニング戦略を設計するのに役立ちます。 本研究では,トランスフォーマーモデルが垂直思考戦略を採用するメカニズムを解明するために,シンボリックデータセットを構築した。 我々は,GPT-2モデルに必要なトレーニング時間を75%削減し,モデルの推論能力を高めるために,ランダムな行列ベースアルゴリズムを提案した。
  論文  参考訳（メタデータ） (2024-05-24T07:41:26Z)
• Class Symbolic Regression: Gotta Fit 'Em All [0.0]
  我々は,複数のデータセットに正確に適合する単一解析関数形式を自動的に見つけるための,最初のフレームワークである「クラスシンボリック回帰(Class Symbolic Regression)」を紹介した。 この階層的な枠組みは、単一の物理現象の全てのメンバーが共通の法則に従うという共通の制約を利用する。 本稿では,このようなアルゴリズムの評価に特化して設計された,一連の合成物理課題を含む,最初のクラスSRベンチマークを紹介する。
  論文  参考訳（メタデータ） (2023-12-04T11:45:44Z)
• Discrete, compositional, and symbolic representations through attractor dynamics [51.20712945239422]
  我々は,思考の確率的言語(PLoT)に似た認知過程をモデル化するために,アトラクタダイナミクスを記号表現と統合した新しいニューラルシステムモデルを導入する。 我々のモデルは、連続表現空間を、事前定義されたプリミティブに頼るのではなく、教師なし学習を通じて、記号系の意味性と構成性の特徴を反映する、記号列に対応する引き付け状態を持つ離散盆地に分割する。 このアプローチは、認知操作の複雑な双対性を反映したより包括的なモデルを提供する、AIにおける表現力の証明された神経弁別可能な基質であるニューラルダイナミクスを通じて、シンボル処理とサブシンボル処理の両方を統合する統一的なフレームワークを確立する。
  論文  参考訳（メタデータ） (2023-10-03T05:40:56Z)
• A Recursive Bateson-Inspired Model for the Generation of Semantic Formal Concepts from Spatial Sensory Data [77.34726150561087]
  本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。 このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。 このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
  論文  参考訳（メタデータ） (2023-07-16T15:59:13Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Composition, Attention, or Both? [8.22379888383833]
  コンポジションアテンション文法(CAG)と呼ばれる新しいアーキテクチャを提案する。 構成関数と自己認識機構の両方が人間のような構文一般化を誘導できるかどうかを考察する。
  論文  参考訳（メタデータ） (2022-10-24T05:30:02Z)
• Abstract Interpretation for Generalized Heuristic Search in Model-Based Planning [50.96320003643406]
  ドメイン・ジェネラル・モデル・ベース・プランナーは、しばしば記号的世界モデルの緩和を通じて探索を構築することによって一般性を導出する。 抽象解釈がこれらの抽象化の統一フレームワークとして機能し、よりリッチな世界モデルに探索の範囲を広げる方法について説明する。 また、これらは学習と統合することができ、エージェントは抽象的な情報を通じて、新しい世界のモデルで計画を開始することができる。
  論文  参考訳（メタデータ） (2022-08-05T00:22:11Z)
• Representing Partial Programs with Blended Abstract Semantics [62.20775388513027]
  プログラム合成エンジンにおける部分的なプログラム表現手法について紹介する。 モジュラーニューラルネットワークとして実装された近似実行モデルを学ぶ。 これらのハイブリッドニューロシンボリック表現は、実行誘導型シンセサイザーがより強力な言語構成を使うことができることを示す。
  論文  参考訳（メタデータ） (2020-12-23T20:40:18Z)

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。