論文の概要: A Large Language Model-Enabled Control Architecture for Dynamic Resource Capability Exploration in Multi-Agent Manufacturing Systems

• arxiv url: http://arxiv.org/abs/2505.22814v1
• Date: Wed, 28 May 2025 19:43:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.507656
• Title: A Large Language Model-Enabled Control Architecture for Dynamic Resource Capability Exploration in Multi-Agent Manufacturing Systems
• Title（参考訳）: マルチエージェント製造システムにおける動的資源容量探索のための大規模言語モデル許容制御アーキテクチャ
• Authors: Jonghan Lim, Ilya Kovalenko,
• Abstract要約: 本稿では,多エージェント製造システムのための大規模言語モデル対応制御アーキテクチャを提案する。 シミュレーションに基づくケーススタディでは、提案されたアーキテクチャがシステムのレジリエンスと柔軟性を向上させることが示されている。
• 参考スコア（独自算出の注目度）: 0.5755004576310334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Manufacturing environments are becoming more complex and unpredictable due to factors such as demand variations and shorter product lifespans. This complexity requires real-time decision-making and adaptation to disruptions. Traditional control approaches highlight the need for advanced control strategies capable of overcoming unforeseen challenges, as they demonstrate limitations in responsiveness within dynamic industrial settings. Multi-agent systems address these challenges through decentralization of decision-making, enabling systems to respond dynamically to operational changes. However, current multi-agent systems encounter challenges related to real-time adaptation, context-aware decision-making, and the dynamic exploration of resource capabilities. Large language models provide the possibility to overcome these limitations through context-aware decision-making capabilities. This paper introduces a large language model-enabled control architecture for multi-agent manufacturing systems to dynamically explore resource capabilities in response to real-time disruptions. A simulation-based case study demonstrates that the proposed architecture improves system resilience and flexibility. The case study findings show improved throughput and efficient resource utilization compared to existing approaches.
• Abstract（参考訳）: 需要変動や生産寿命の短縮といった要因により、製造環境は複雑で予測不能になりつつある。 この複雑さはリアルタイムな意思決定とディスラプションへの適応を必要とします。 従来の制御アプローチは、動的産業環境における応答性の制限を示すため、予期せぬ課題を克服できる高度な制御戦略の必要性を強調している。 マルチエージェントシステムは意思決定の分散化を通じてこれらの課題に対処する。 しかし、現在のマルチエージェントシステムでは、リアルタイム適応、コンテキスト認識による意思決定、リソース機能の動的探索といった課題に直面している。 大規模言語モデルは、コンテキスト対応の意思決定機能を通じて、これらの制限を克服する可能性を提供します。 本稿では,マルチエージェント製造システムを対象とした大規模言語モデル対応制御アーキテクチャを提案する。 シミュレーションに基づくケーススタディでは、提案されたアーキテクチャがシステムのレジリエンスと柔軟性を向上させることが示されている。 このケーススタディでは,既存の手法に比べてスループットと資源利用効率が向上した。

関連論文リスト

• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [59.52058740470727]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• Towards Agentic Recommender Systems in the Era of Multimodal Large Language Models [75.4890331763196]
  大規模言語モデル(LLM)の最近のブレークスルーは、エージェントAIシステムの出現につながっている。 LLMベースのAgentic RS(LLM-ARS)は、よりインタラクティブで、コンテキストを認識し、プロアクティブなレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2025-03-20T22:37:15Z)
• LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi Agent Systems [0.0]
  本研究では,LLMに基づくマルチエージェントシステムの開発に不可欠な基礎技術について検討する。 協調的で動的な環境のためにこれらのシステムをいかに最適化するかを問うため、アーキテクチャ、メモリ、計画、技術/フレームワークの4つの重要な領域に焦点を当てます。
  論文  参考訳（メタデータ） (2025-03-13T06:17:50Z)
• Enhancing Multi-Step Reasoning Abilities of Language Models through Direct Q-Function Optimization [49.362750475706235]
  強化学習(Reinforcement Learning, RL)は、大規模言語モデルを人間の好みと整合させ、複雑なタスクを遂行する能力を向上させる上で重要な役割を担っている。 反応生成過程をマルコフ決定プロセス(MDP)として定式化し,ソフトアクター・クリティック(SAC)フレームワークを用いて,言語モデルによって直接パラメータ化されたQ関数を最適化する,直接Q関数最適化(DQO)を提案する。 GSM8KとMATHという2つの数学問題解決データセットの実験結果から、DQOは従来の手法よりも優れており、言語モデルを整合させるための有望なオフライン強化学習手法として確立されている。
  論文  参考訳（メタデータ） (2024-10-11T23:29:20Z)
• Preparing for Super-Reactivity: Early Fault-Detection in the Development of Exceedingly Complex Reactive Systems [1.6298172960110866]
  構築と振る舞いが複雑で、常に変化し、進化しているリアクティブシステムを指すために、Super-Reactive Systemsという用語を紹介します。 計画と開発の初期段階でそのようなシステムに隠れた欠陥を見つけることは、人間の安全、環境、社会、経済にとって重要である。 本稿では,障壁を克服し,シミュレーション,系統解析,故障検出とハンドリングを可能にするモデルとツールのアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-10-03T16:08:30Z)
• Reasoning Capacity in Multi-Agent Systems: Limitations, Challenges and Human-Centered Solutions [14.398238217358116]
  推論能力の形式的定義を提示し,システムの各コンポーネント内の制限を識別する上で,その有用性を示す。 そして、これらの制限が、人間のフィードバックを使って推論の欠点を緩和する自己反射的プロセスによってどのように対処できるかについて議論する。
  論文  参考訳（メタデータ） (2024-02-02T02:53:11Z)
• HAZARD Challenge: Embodied Decision Making in Dynamically Changing Environments [93.94020724735199]
  HAZARDは、火災、洪水、風などの3つの予期せぬ災害シナリオで構成されている。 このベンチマークにより、さまざまなパイプラインで自律エージェントの意思決定能力を評価することができる。
  論文  参考訳（メタデータ） (2024-01-23T18:59:43Z)

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。