論文の概要: Large Language Model-Driven Code Compliance Checking in Building Information Modeling

• arxiv url: http://arxiv.org/abs/2506.20551v1
• Date: Wed, 25 Jun 2025 15:50:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.823966
• Title: Large Language Model-Driven Code Compliance Checking in Building Information Modeling
• Title（参考訳）: ビルディング情報モデリングにおける大規模言語モデル駆動型コードコンプライアンスチェック
• Authors: Soumya Madireddy, Lu Gao, Zia Din, Kinam Kim, Ahmed Senouci, Zhe Han, Yunpeng Zhang,
• Abstract要約: 本研究では,ビルディングインフォメーション・モデリングにおける手動コードコンプライアンスチェックの時間的およびエラーの原因となる特性について考察する。 この重要なプロセスを半自動化するために、LLM(Large Language Model)駆動のアプローチを導入している。 開発システムは、GPT、Claude、Gemini、LlamaなどのLLMとRevitソフトウェアを統合し、ビルドコードを解釈し、Pythonスクリプトを生成し、半自動コンプライアンスチェックを実行する。
• 参考スコア（独自算出の注目度）: 3.2648052741820166
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This research addresses the time-consuming and error-prone nature of manual code compliance checking in Building Information Modeling (BIM) by introducing a Large Language Model (LLM)-driven approach to semi-automate this critical process. The developed system integrates LLMs such as GPT, Claude, Gemini, and Llama, with Revit software to interpret building codes, generate Python scripts, and perform semi-automated compliance checks within the BIM environment. Case studies on a single-family residential project and an office building project demonstrated the system's ability to reduce the time and effort required for compliance checks while improving accuracy. It streamlined the identification of violations, such as non-compliant room dimensions, material usage, and object placements, by automatically assessing relationships and generating actionable reports. Compared to manual methods, the system eliminated repetitive tasks, simplified complex regulations, and ensured reliable adherence to standards. By offering a comprehensive, adaptable, and cost-effective solution, this proposed approach offers a promising advancement in BIM-based compliance checking, with potential applications across diverse regulatory documents in construction projects.
• Abstract（参考訳）: 本研究は,Large Language Model (LLM) によるこの重要なプロセスの半自動化手法を導入することにより,BIM(Building Information Modeling)における手動コードコンプライアンスチェックの時間的およびエラー発生性に対処する。 開発システムは、GPT、Claude、Gemini、LlamaなどのLLMとRevitソフトウェアを統合し、ビルドコードを解釈し、Pythonスクリプトを生成し、BIM環境内で半自動コンプライアンスチェックを実行する。 単戸建て住宅プロジェクトとオフィスビルプロジェクトに関する事例研究は、コンプライアンスチェックに必要な時間と労力を削減し、精度を向上する能力を示した。 これは、自動的に関係を評価し、実行可能なレポートを生成することによって、非準拠の部屋寸法、材料使用量、オブジェクト配置などの違反の識別を合理化した。 手動の手法と比較して、システムは反復的なタスクを排除し、複雑な規則を簡素化し、標準への信頼性を確保した。 提案手法は、包括的で適応可能で費用効率の高いソリューションを提供することで、BIMベースのコンプライアンスチェックの進歩と、建設プロジェクトにおける多様な規制文書にまたがる潜在的な応用を提供する。

関連論文リスト

• Augmenting Large Language Models with Static Code Analysis for Automated Code Quality Improvements [0.36832029288386137]
  本研究では,大規模言語モデル(LLM)をソフトウェア開発に組み込んだコード問題検出と修正自動化について検討した。 静的コード分析フレームワークは、大規模なソフトウェアプロジェクトの中でバグや脆弱性、コードの臭いなどの問題を検出する。 検索拡張世代(RAG)は、リビジョンの関連性と精度を高めるために実装される。
  論文  参考訳（メタデータ） (2025-06-12T03:39:25Z)
• Training Language Models to Generate Quality Code with Program Analysis Feedback [66.0854002147103]
  大規模言語モデル(LLM)によるコード生成は、ますます本番環境で採用されているが、コード品質の保証には失敗している。 実運用品質のコードを生成するためにLLMにインセンティブを与える強化学習フレームワークであるREALを提案する。
  論文  参考訳（メタデータ） (2025-05-28T17:57:47Z)
• AGENTIF: Benchmarking Instruction Following of Large Language Models in Agentic Scenarios [51.46347732659174]
  LLM(Large Language Models)は、現実世界のエージェントアプリケーションにおいて高度な機能を示す。 AgentIFは、エージェントシナリオでLLM命令に従う能力を体系的に評価する最初のベンチマークである。
  論文  参考訳（メタデータ） (2025-05-22T17:31:10Z)
• MAS-ZERO: Designing Multi-Agent Systems with Zero Supervision [76.42361936804313]
  自動MAS設計のための自己進化型推論時間フレームワークMAS-ZEROを紹介する。 MAS-ZEROはメタレベルの設計を採用し、各問題インスタンスに適したMAS構成を反復的に生成し、評価し、洗練する。
  論文  参考訳（メタデータ） (2025-05-21T00:56:09Z)
• MLE-Dojo: Interactive Environments for Empowering LLM Agents in Machine Learning Engineering [57.156093929365255]
  自律型大規模言語モデル(LLM)エージェントを体系的に強化し、評価し、改善するためのガイムスタイルのフレームワーク。 MLE-Dojoは、現実的なエンジニアリングシナリオを反映した、多様でオープンなMLEタスクを慎重にキュレートする。 完全に実行可能な環境は、教師付き微調整と強化学習の両方を通して包括的なエージェントトレーニングをサポートする。
  論文  参考訳（メタデータ） (2025-05-12T17:35:43Z)
• Self-Steering Language Models [113.96916935955842]
  DisCIPLは、"セルフステアリング(self-steering)"言語モデルのメソッドである。 DisCIPLはPlannerモデルを使用してタスク固有の推論プログラムを生成する。 我々の研究は、高度に並列化されたモンテカルロ推論戦略の設計空間を開く。
  論文  参考訳（メタデータ） (2025-04-09T17:54:22Z)
• MCCoder: Streamlining Motion Control with LLM-Assisted Code Generation and Rigorous Verification [15.438969500630677]
  大規模言語モデル(LLM)はコード生成において大きな可能性を証明している。 現在のAI支援モーションコントロールプログラミングの取り組みは、高レベル言語や関数ライブラリにはほとんど関心を示さず、PLCに重点を置いている。 動作制御コードを生成するためのLCMシステムであるMCCoderをソフトモーションコントローラと統合した。
  論文  参考訳（メタデータ） (2024-10-19T16:46:21Z)
• Using Large Language Models for the Interpretation of Building Regulations [7.013802453969655]
  大規模言語モデル(LLM)は、ユーザのプロンプトに応答する論理的に一貫性のあるテキストとソースコードを生成することができる。 本稿では, 建物規制をLegalRuleMLに変換する際のLLMの性能を, 数ショットの学習設定で評価する。
  論文  参考訳（メタデータ） (2024-07-26T08:30:47Z)
• AutoRepo: A general framework for multi-modal LLM-based automated construction reporting [4.406834811182582]
  本稿では,建設検査報告の自動生成のためのAutoRepoという新しいフレームワークを提案する。 このフレームワークは実世界の建設現場で適用され、検査プロセスの迅速化の可能性を実証した。
  論文  参考訳（メタデータ） (2023-10-11T23:42:00Z)
• Self-Checker: Plug-and-Play Modules for Fact-Checking with Large Language Models [75.75038268227554]
  Self-Checkerはファクトチェックを容易にするプラグインとプレイモジュールからなるフレームワークである。 このフレームワークは、低リソース環境でファクトチェックシステムを構築するための、高速で効率的な方法を提供する。
  論文  参考訳（メタデータ） (2023-05-24T01:46:07Z)

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。