論文の概要: SimuGen: Multi-modal Agentic Framework for Constructing Block Diagram-Based Simulation Models

• arxiv url: http://arxiv.org/abs/2506.15695v1
• Date: Wed, 28 May 2025 00:35:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-29 09:28:14.7559
• Title: SimuGen: Multi-modal Agentic Framework for Constructing Block Diagram-Based Simulation Models
• Title（参考訳）: SimuGen:ブロック図に基づくシミュレーションモデル構築のためのマルチモーダルエージェントフレームワーク
• Authors: Xinxing Ren, Qianbo Zang, Zekun Guo,
• Abstract要約: SimuGenは視覚的なSimulinkダイアグラムとドメイン知識の両方を活用することで、正確なSimulinkシミュレーションコードを自動的に生成するフレームワークである。 ソースコードはhttps://github.com/renxinxing123/SimuGen_beta.comで公開されています。
• 参考スコア（独自算出の注目度）: 0.07315096254838022
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in large language models (LLMs) have shown impressive performance in mathematical reasoning and code generation. However, LLMs still struggle in the simulation domain, particularly in generating Simulink models, which are essential tools in engineering and scientific research. Our preliminary experiments indicate that LLM agents often fail to produce reliable and complete Simulink simulation code from text-only inputs, likely due to the lack of Simulink-specific data in their pretraining. To address this challenge, we propose SimuGen, a multimodal agent-based framework that automatically generates accurate Simulink simulation code by leveraging both the visual Simulink diagram and domain knowledge. SimuGen coordinates several specialized agents, including an investigator, unit test reviewer, code generator, executor, debug locator, and report writer, supported by a domain-specific knowledge base. This collaborative and modular design enables interpretable, robust, and reproducible Simulink simulation generation. Our source code is publicly available at https://github.com/renxinxing123/SimuGen_beta.
• Abstract（参考訳）: 大規模言語モデル(LLM)の最近の進歩は、数学的推論とコード生成において顕著な性能を示している。 しかし、LLMはシミュレーション領域、特に工学や科学研究において不可欠なツールであるSimulinkモデルの生成に苦戦している。 我々の予備実験は、LLMエージェントがテキストのみの入力から信頼性が高く完全なSimulinkシミュレーションコードを生成するのに失敗することがしばしばあることを示唆している。 この課題に対処するために、視覚的シミュリンク図とドメイン知識の両方を活用することで、正確なシミュリンクシミュレーションコードを自動的に生成するマルチモーダルエージェントベースのフレームワークであるSimuGenを提案する。 SimuGenは、調査員、ユニットテストレビュアー、コードジェネレータ、エグゼキュータ、デバッグロケータ、レポートライターなど、ドメイン固有の知識ベースでサポートされている専門エージェントをコーディネートする。 このコラボレーティブでモジュラーな設計は、解釈可能で堅牢で再現可能なシミュリンクシミュレーション生成を可能にする。 ソースコードはhttps://github.com/renxinxing123/SimuGen_beta.comで公開されています。

関連論文リスト

• G-Sim: Generative Simulations with Large Language Models and Gradient-Free Calibration [48.948187359727996]
  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。
  論文  参考訳（メタデータ） (2025-06-10T22:14:34Z)
• YuLan-OneSim: Towards the Next Generation of Social Simulator with Large Language Models [50.86336063222539]
  本稿では,YuLan-OneSimというソーシャルシミュレータを紹介する。 ユーザは、シミュレータとの自然言語インタラクションを通じて、シミュレーションシナリオを記述し、洗練することができます。 我々は、経済学、社会学、政治、心理学、組織、人口統計学、法律、コミュニケーションを含む8つの領域にまたがる50のデフォルトシミュレーションシナリオを実装した。
  論文  参考訳（メタデータ） (2025-05-12T14:05:17Z)
• Experiments with Large Language Models on Retrieval-Augmented Generation for Closed-Source Simulation Software [0.36832029288386137]
  Retrieval-Augmented Generation (RAG) は知識集約型タスクの解決策となるかもしれない。 本稿では,RAGのクローズドソースシミュレーションソフトウェアへの適用について検討する。
  論文  参考訳（メタデータ） (2025-02-06T09:48:04Z)
• Synthesizing Post-Training Data for LLMs through Multi-Agent Simulation [51.20656279478878]
  MATRIXは、様々なテキストベースのシナリオを自動的に生成するマルチエージェントシミュレータである。 制御可能でリアルなデータ合成のためのMATRIX-Genを紹介する。 AlpacaEval 2 と Arena-Hard のベンチマークでは、Llama-3-8B-Base が、MATRIX-Gen によって合成されたデータセット上で、たった 20K の命令応答ペアで、Meta の Llama-3-8B-Instruct モデルより優れています。
  論文  参考訳（メタデータ） (2024-10-18T08:01:39Z)
• GenSim: A General Social Simulation Platform with Large Language Model based Agents [111.00666003559324]
  我々はtextitGenSim と呼ばれる新しい大規模言語モデル (LLM) ベースのシミュレーションプラットフォームを提案する。 我々のプラットフォームは10万のエージェントをサポートし、現実世界のコンテキストで大規模人口をシミュレートする。 我々の知る限り、GenSimは汎用的で大規模で修正可能な社会シミュレーションプラットフォームに向けた最初の一歩である。
  論文  参考訳（メタデータ） (2024-10-06T05:02:23Z)
• FactorSim: Generative Simulation via Factorized Representation [14.849320460718591]
  本稿では,エージェントの訓練に使用できる言語入力から,コード中のフルシミュレーションを生成するFACTORSIMを提案する。 評価のために、我々は、強化学習環境におけるゼロショット転送を容易にするため、生成したシミュレーションコードの精度と有効性を評価できる生成シミュレーションベンチマークを導入する。 その結果、FACTORSIMは、即時アライメント(例えば、精度)、ゼロショット転送能力、人的評価に関するシミュレーションを生成する上で、既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-26T09:00:30Z)
• Simulation of an Elevator Group Control Using Generative Adversarial Networks and Related AI Tools [0.6481500397175589]
  Generative Adversarial Networks (GAN) は、様々なタスクのための新しいデータを生成する強力なツールである。 本稿では,シミュレーションにおけるGANの適用性について検討する。
  論文  参考訳（メタデータ） (2020-09-03T14:22:26Z)

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。