Fugu-MT 論文翻訳(概要): ChronoLLM: Customizing Language Models for Physics-Based Simulation Code Generation

論文の概要: ChronoLLM: Customizing Language Models for Physics-Based Simulation Code Generation

arxiv url: http://arxiv.org/abs/2508.13975v1
Date: Tue, 19 Aug 2025 16:12:51 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-20 15:36:32.007645
Title: ChronoLLM: Customizing Language Models for Physics-Based Simulation Code Generation
Title（参考訳）: ChronoLLM:物理シミュレーションコード生成のための言語モデルのカスタマイズ
Authors: Jingquan Wang, Andrew Negrut, Harry Zhang, Khailanii Slaton, Shu Wang, Radu Serban, Jinlong Wu, Dan Negrut,
Abstract要約: オープンおよびクローズドソースの大規模言語モデル(LLM)の精細化とカスタマイズのためのフレームワークを提案する。我々は、PyChrono仮想実験を実行するスクリプトを生成する上で、AIの力を利用する。
参考スコア（独自算出の注目度）: 8.554484252096913
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This contribution is concerned with the following issue: can pretrained large language models (LLMs) be refined and customized to the point where they become virtual assistants helping experts with the effective use of a simulation tool? In this case study, the ``simulation tool'' considered is PyChrono, an open source multi-physics dynamics engine for multibody systems. We present a framework for refining and customizing both open- and closed-source LLMs to harness the power of AI in generating scripts that perform PyChrono virtual experiments. We refine and customize several classes of LLMs through a process that leads to a quantifiable improvement in the quality of the generated PyChrono simulation scripts. These scripts can range from simple single-pendulum simulations to complex virtual experiments involving full vehicles on deformable terrain. While the generated scripts are rarely perfect, they often serve as strong starting points for the user to modify and improve on. Additionally, the LLM can answer specific API questions about the simulator, or recommend modeling approaches. The framework discussed is general and can be applied to lower the entry barrier for simulation tools associated with other application domains.
Abstract（参考訳）: 事前訓練された大規模言語モデル(LLM)は、シミュレーションツールを効果的に活用する専門家を支援する仮想アシスタントとなるまで洗練され、カスタマイズできるのか? このケーススタディでは,「シミュレーションツール」はマルチボディシステムのためのオープンソースのマルチ物理ダイナミックスエンジンであるPyChronoが検討されている。我々は、PyChrono仮想実験を実行するスクリプトを生成する上で、AIのパワーを活用するために、オープンソースLLMとクローズドソースLLMの両方を精錬し、カスタマイズするフレームワークを提案する。我々は、生成したPyChronoシミュレーションスクリプトの品質を定量的に向上させるプロセスを通じて、LLMのいくつかのクラスを洗練・カスタマイズする。これらのスクリプトは、単純な単一振り子シミュレーションから、変形可能な地形上の完全な車両を含む複雑な仮想実験まで様々である。生成されたスクリプトは滅多に完璧ではないが、ユーザーが修正し改善するための強力な出発点として機能することが多い。さらに、LCMはシミュレータに関する特定のAPI質問に答えたり、モデリングアプローチを推奨することができる。議論されているフレームワークは一般的なもので、他のアプリケーションドメインに関連するシミュレーションツールのエントリバリアを低くするために適用することができる。

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)
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)
MooseAgent: A LLM Based Multi-agent Framework for Automating Moose Simulation [1.729730091778761]
本稿では,マルチ物理シミュレーションフレームワークMOOSEのための自動解法フレームワークMooseAgentを提案する。 MooseAgentは、大規模事前訓練言語モデル(LLM)とマルチエージェントシステムを組み合わせる。その結果,MooseAgentはMOOSEシミュレーションプロセスをある程度自動化できることがわかった。
論文参考訳（メタデータ） (2025-04-11T15:25:50Z)
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)
ChronoLLM: A Framework for Customizing Large Language Model for Digital Twins generalization based on PyChrono [8.922927652378544]
ChronoLlama氏は、オープンソースのLLMをカスタマイズする新しいフレームワーク、特にコード生成のために、マルチ物理シミュレーションのためにPyChronoと組み合わせたフレームワークを紹介した。この統合は、シミュレーションスクリプトの作成を自動化し、改善することを目的としており、それによってモデルの精度と効率が向上する。実験結果から,シミュレーション設定速度,生成符号の精度,計算効率の大幅な向上が示唆された。
論文参考訳（メタデータ） (2025-01-07T10:39:14Z)
ChatSUMO: Large Language Model for Automating Traffic Scenario Generation in Simulation of Urban MObility [5.111204055180423]
大規模言語モデル(LLM)は、テキスト、音声、画像、ビデオなどのマルチモーダルな入力と出力を扱うことができる。本稿では,言語処理スキルを統合し,抽象的および実世界のシミュレーションシナリオを生成するLLMベースのエージェントChatSUMOを提案する。シミュレーション生成のために,オールバニ市における実世界のシミュレーションを96%の精度で作成した。
論文参考訳（メタデータ） (2024-08-29T03:59:11Z)
LLM experiments with simulation: Large Language Model Multi-Agent System for Simulation Model Parametrization in Digital Twins [4.773175285216063]
本稿では,大規模言語モデル(LLM)を適用し,デジタル双生児におけるシミュレーションモデルのパラメトリゼーションを自動化する新しいフレームワークを提案する。提案手法は,LLMの知識を取り入れたシミュレーションモデルのユーザビリティを向上させる。このシステムは、ユーザのフレンドリさを高め、人間のユーザの認知負荷を軽減する可能性がある。
論文参考訳（メタデータ） (2024-05-28T11:59:40Z)
Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文参考訳（メタデータ） (2023-10-12T20:49:15Z)
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)
User Behavior Simulation with Large Language Model based Agents [116.74368915420065]
LLMベースのエージェントフレームワークを提案し,実際のユーザ動作をシミュレートするサンドボックス環境を設計する。実験結果から,本手法のシミュレーション行動は実人の行動に非常に近いことが判明した。
論文参考訳（メタデータ） (2023-06-05T02:58:35Z)

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。