論文の概要: Knowledge Graph Fusion with Large Language Models for Accurate, Explainable Manufacturing Process Planning

• arxiv url: http://arxiv.org/abs/2506.13026v1
• Date: Mon, 16 Jun 2025 01:26:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:47.300304
• Title: Knowledge Graph Fusion with Large Language Models for Accurate, Explainable Manufacturing Process Planning
• Title（参考訳）: 高精度で説明可能な製造プロセス計画のための大規模言語モデルを用いた知識グラフ融合
• Authors: Danny Hoang, David Gorsich, Matthew P. Castanier, Farhad Imani,
• Abstract要約: 検索と合成を強化した検索検索ネットワーク(ARKNESS)を提案する。 ARKNESSはゼロショットの知識グラフ構築と検索拡張生成を融合し、CNCプロセス計画のための検証済みで数値的に正確な回答を提供する。 ARKNESSは、ツールサイズとフィードスピードの最適化にまたがる155の業界別質問に基づいて、GPT-4oの精度と、複数選択の精度で+25ポイントのゲインを達成している。
• 参考スコア（独自算出の注目度）: 0.8874671354802572
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precision process planning in Computer Numerical Control (CNC) machining demands rapid, context-aware decisions on tool selection, feed-speed pairs, and multi-axis routing, placing immense cognitive and procedural burdens on engineers from design specification through final part inspection. Conventional rule-based computer-aided process planning and knowledge-engineering shells freeze domain know-how into static tables, which become limited when dealing with unseen topologies, novel material states, shifting cost-quality-sustainability weightings, or shop-floor constraints such as tool unavailability and energy caps. Large language models (LLMs) promise flexible, instruction-driven reasoning for tasks but they routinely hallucinate numeric values and provide no provenance. We present Augmented Retrieval Knowledge Network Enhanced Search & Synthesis (ARKNESS), the end-to-end framework that fuses zero-shot Knowledge Graph (KG) construction with retrieval-augmented generation to deliver verifiable, numerically exact answers for CNC process planning. ARKNESS (1) automatically distills heterogeneous machining documents, G-code annotations, and vendor datasheets into augmented triple, multi-relational graphs without manual labeling, and (2) couples any on-prem LLM with a retriever that injects the minimal, evidence-linked subgraph needed to answer a query. Benchmarked on 155 industry-curated questions spanning tool sizing and feed-speed optimization, a lightweight 3B-parameter Llama-3 augmented by ARKNESS matches GPT-4o accuracy while achieving a +25 percentage point gain in multiple-choice accuracy, +22.4 pp in F1, and 8.1x ROUGE-L on open-ended responses.
• Abstract（参考訳）: コンピュータ数値制御(CNC)加工における精密プロセス計画では、ツール選択、フィードスピードペア、マルチ軸ルーティングにおいて、設計仕様から最終部検査まで、エンジニアに多大な認知的および手続き的負担を課す、迅速かつコンテキスト対応の意思決定が要求される。 従来のルールベースのコンピュータ支援プロセス計画と知識エンジニアリングシェルは、ドメインノウハウを静的テーブルに凍結するが、これは、目に見えないトポロジ、新しい素材状態、コスト品質の持続性重み付けのシフト、あるいはツールの使いやすさやエネルギキャップのような店のフロア制約を扱う際に制限される。 大規模言語モデル(LLM)は、タスクに対する柔軟な命令駆動推論を約束するが、それらは通常、数値値を幻覚し、証明を与えない。 本稿では、ゼロショット知識グラフ(KG)構築を検索拡張世代に融合させ、CNCプロセス計画のための検証可能な数値的正解を提供する、ARKNESS(Augmented Retrieval Knowledge Network Enhanced Search & Synthesis)を提案する。 ARKNESS(1)は、不均一な加工文書、Gコードアノテーション、ベンダーデータシートを手動ラベリングなしで拡張三重・多関係グラフに自動的に蒸留し、(2)クエリに答えるために必要な最小限のエビデンスリンクされたサブグラフを注入するレトリバーとオンプレミスLLMを結合する。 ARKNESSで強化された軽量の3BパラメーターのLlama-3は、155の業界計算された質問にベンチマークされ、GPT-4oの精度と一致し、複数選択精度で+25のポイントゲイン、F1では+22.4pp、オープンな応答で8.1x ROUGE-Lを達成した。

関連論文リスト

• AutoChemSchematic AI: A Closed-Loop, Physics-Aware Agentic Framework for Auto-Generating Chemical Process and Instrumentation Diagrams [2.5875933818780363]
  現在のAI手法では、化学プロセスのスケーリングにおいて重要な役割を担っているにもかかわらず、PFDやPIDを自動生成することはできない。 産業用PFDとPIDの自動生成のための閉ループ対応物理フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-30T13:32:00Z)
• FamilyTool: A Multi-hop Personalized Tool Use Benchmark [93.80355496575281]
  FamilyToolは、パーソナライズされたマルチホップツールの使用シナリオをシミュレートする、家族ベースのナレッジグラフ(KG)に基盤を置くベンチマークである。 実験により、最先端の大規模言語モデル(LLM)における顕著な性能ギャップが明らかになった FamilyToolは、複雑な動的環境において、LLMエージェントの推論、適応性、スケーラビリティを評価し、前進するための重要なリソースとなる。
  論文  参考訳（メタデータ） (2025-04-09T10:42:36Z)
• D2S-FLOW: Automated Parameter Extraction from Datasheets for SPICE Model Generation Using Large Language Models [3.7324910012003656]
  D2S-FLOWは、高精度で効率の良いSPICEモデルを生成する自動化フレームワークである。 これは、構造化されていないドキュメントや一貫性のない命名規則を扱う際の精度を高めるワークフローを使用している。 これは0.86のエクサクトマッチ(EM)、0.92のF1スコア、0.96のエクサクト正確度(EC)を達成し、それぞれ19.4%、5.7%、13.1%という最強のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-02-23T11:19:44Z)
• Accelerating Manufacturing Scale-Up from Material Discovery Using Agentic Web Navigation and Retrieval-Augmented AI for Process Engineering Schematics Design [2.368662284133926]
  プロセス・フロー・ダイアグラム(PFD)とプロセス・アンド・インスツルメンテーション・ダイアグラム(PID)は産業プロセスの設計、制御、安全性にとって重要なツールである。 精密かつ規則に準拠した図の作成は、特に自動化とデジタル化の時代において、材料発見から工業生産へのブレークスルーを拡大する上で、依然として重要な課題である。 本稿では,知識獲得と生成を伴う2段階のアプローチを通じて,これらの課題に対処する自律型エージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-08T13:36:42Z)
• TART: An Open-Source Tool-Augmented Framework for Explainable Table-based Reasoning [61.14586098005874]
  現在のLarge Language Models (LLM) は、テーブル構造を理解し、正確な数値推論を適用する能力に制限がある。 LLMと特殊なツールを統合するTART(Tool-Augmented Reasoning framework for Tables)を紹介した。 TARTには、正確なデータ表現を保証するテーブルフォーマッター、特定の計算ツールを開発するツールメーカー、説明可能性を維持するための説明ジェネレータの3つの重要なコンポーネントが含まれている。
  論文  参考訳（メタデータ） (2024-09-18T06:19:59Z)
• Retrieval-Augmented Instruction Tuning for Automated Process Engineering Calculations : A Tool-Chaining Problem-Solving Framework with Attributable Reflection [0.0]
  オープンでカスタマイズ可能な小型コード言語モデル(SLM)を強化するためにRAIT(Retrieval-Augmented Instruction-Tuning)を活用する新しい自律エージェントフレームワークを提案する。 命令チューニングされたコードSLMと外部ツールを使用してRACG(Retrieval-Augmented Code Generation)を組み合わせることで、エージェントは自然言語仕様からコードを生成し、デバッグし、最適化する。 我々のアプローチは、専門的なプロセスエンジニアリングタスクのための基礎的AIモデルの欠如の限界に対処し、説明可能性、知識編集、費用対効果の利点を提供する。
  論文  参考訳（メタデータ） (2024-08-28T15:33:47Z)
• LLMC: Benchmarking Large Language Model Quantization with a Versatile Compression Toolkit [55.73370804397226]
  鍵圧縮技術である量子化は、大きな言語モデルを圧縮し、加速することにより、これらの要求を効果的に軽減することができる。 本稿では,プラグアンドプレイ圧縮ツールキットであるLLMCについて,量子化の影響を公平かつ体系的に検討する。 この汎用ツールキットによって、我々のベンチマークはキャリブレーションデータ、アルゴリズム(3つの戦略)、データフォーマットの3つの重要な側面をカバーしています。
  論文  参考訳（メタデータ） (2024-05-09T11:49:05Z)

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。