論文の概要: G-Sim: Generative Simulations with Large Language Models and Gradient-Free Calibration

• arxiv url: http://arxiv.org/abs/2506.09272v1
• Date: Tue, 10 Jun 2025 22:14:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.120645
• Title: G-Sim: Generative Simulations with Large Language Models and Gradient-Free Calibration
• Title（参考訳）: G-Sim: 大規模言語モデルと勾配自由校正による生成シミュレーション
• Authors: Samuel Holt, Max Ruiz Luyten, Antonin Berthon, Mihaela van der Schaar,
• Abstract要約: G-Simは、厳密な経験的校正によるシミュレータ構築を自動化するハイブリッドフレームワークである。 信頼性のある因果的インフォームドシミュレータを生成し、データ効率を軽減し、堅牢なシステムレベルの介入を可能にする。
• 参考スコア（独自算出の注目度）: 48.948187359727996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Constructing robust simulators is essential for asking "what if?" questions and guiding policy in critical domains like healthcare and logistics. However, existing methods often struggle, either failing to generalize beyond historical data or, when using Large Language Models (LLMs), suffering from inaccuracies and poor empirical alignment. We introduce G-Sim, a hybrid framework that automates simulator construction by synergizing LLM-driven structural design with rigorous empirical calibration. G-Sim employs an LLM in an iterative loop to propose and refine a simulator's core components and causal relationships, guided by domain knowledge. This structure is then grounded in reality by estimating its parameters using flexible calibration techniques. Specifically, G-Sim can leverage methods that are both likelihood-free and gradient-free with respect to the simulator, such as gradient-free optimization for direct parameter estimation or simulation-based inference for obtaining a posterior distribution over parameters. This allows it to handle non-differentiable and stochastic simulators. By integrating domain priors with empirical evidence, G-Sim produces reliable, causally-informed simulators, mitigating data-inefficiency and enabling robust system-level interventions for complex decision-making.
• Abstract（参考訳）: 堅牢なシミュレータの構築は,医療やロジスティクスといった重要な領域において,質問や指導方針を問う上で不可欠である。 しかし、既存の手法は、歴史的データ以上の一般化に失敗したり、Large Language Models (LLM) を使用したり、不正確さと経験的整合性に悩まされたり、しばしば苦労する。 本稿では,LLM駆動型構造設計と厳密な経験的キャリブレーションを併用してシミュレータ構築を自動化するハイブリッドフレームワークG-Simを紹介する。 G-Simは、シミュレータのコアコンポーネントと、ドメイン知識によって導かれる因果関係の提案と洗練のために、反復ループにLLMを使用している。 この構造は、フレキシブルキャリブレーション技術を用いてパラメータを推定することで、現実的にグラウンド化される。 具体的には、G-Simは、直接パラメータ推定のための勾配のない最適化や、パラメータの後方分布を得るためのシミュレーションベースの推論など、シミュレータに関して、確率自由かつ勾配自由な手法を利用することができる。 これにより、微分不可能で確率的なシミュレータを処理できる。 G-Simは、実証的な証拠とドメインの優先順位を統合することで、信頼性が高く因果的インフォームドシミュレータを生成し、データ非効率を緩和し、複雑な意思決定のための堅牢なシステムレベルの介入を可能にする。

関連論文リスト

• Gaussian process surrogate model to approximate power grid simulators -- An application to the certification of a congestion management controller [2.1485350418225244]
  電力グリッドのデジタル化により、物理方程式はネットワークの振舞いを記述するのに不十分になる。 多数のシナリオをシミュレートする安全性検証のような数値実験は、計算的に難解になる。 一般的な解決策は、シミュレータのサロゲートモデルを機械学習(ML)で学習し、高速で評価可能なサロゲートモデルで直接実験を実行することである。
  論文  参考訳（メタデータ） (2025-02-28T18:10:52Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Informal Safety Guarantees for Simulated Optimizers Through Extrapolation from Partial Simulations [0.0]
  自己教師付き学習は、最先端の言語モデリングのバックボーンである。 自己教師付きデータセットにおける予測損失を伴うトレーニングはシミュレータを引き起こすと論じられている。
  論文  参考訳（メタデータ） (2023-11-29T09:32:56Z)
• ClimSim-Online: A Large Multi-scale Dataset and Framework for Hybrid ML-physics Climate Emulation [45.201929285600606]
  我々は、ハイブリッドML物理シミュレータを開発するためのエンドツーエンドワークフローを含むClimSim-Onlineを提案する。 データセットはグローバルで、高いサンプリング頻度で10年間にわたっています。 MLモデルを運用環境シミュレータに統合するための、クロスプラットフォームでコンテナ化されたパイプラインを提供します。
  論文  参考訳（メタデータ） (2023-06-14T21:26:31Z)
• Auto-Tuned Sim-to-Real Transfer [143.44593793640814]
  シミュレーションで訓練されたポリシーは、しばしば現実世界に移されるときに失敗する。 ドメインのランダム化のようなこの問題に取り組む現在のアプローチには、事前の知識とエンジニアリングが必要である。 実世界に合わせてシミュレータシステムパラメータを自動的にチューニングする手法を提案する。
  論文  参考訳（メタデータ） (2021-04-15T17:59:55Z)
• A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
  本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。 我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。 我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
  論文  参考訳（メタデータ） (2020-11-17T22:24:26Z)
• DISCO: Double Likelihood-free Inference Stochastic Control [29.84276469617019]
  確率自由推論のためのベイズ統計学における現代シミュレータのパワーと最近の技術を活用することを提案する。 シミュレーションパラメータの後方分布は、システムの潜在的非解析モデルによって伝播される。 実験により、制御器の提案により、古典的な制御やロボット工学のタスクにおいて、優れた性能と堅牢性が得られることが示された。
  論文  参考訳（メタデータ） (2020-02-18T05:29:40Z)

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。