論文の概要: Research on intelligent generation of structural demolition suggestions based on multi-model collaboration
- arxiv url: http://arxiv.org/abs/2508.15820v1
- Date: Sun, 17 Aug 2025 15:03:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-25 16:42:36.088151
- Title: Research on intelligent generation of structural demolition suggestions based on multi-model collaboration
- Title（参考訳）: マルチモデル協調に基づく構造的解体提案のインテリジェント生成に関する研究
- Authors: Zhifeng Yang, Peizong Wu,
- Abstract要約: 情報を取得し、言語を組織化するのに多くの時間がかかり、自動化とインテリジェンスの度合いは低い。
本稿では,多モデル協調に基づく構造的分解提案をインテリジェントに生成する手法を提案する。
- 参考スコア（独自算出の注目度）: 1.7351978242528576
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The steel structure demolition scheme needs to be compiled according to the specific engineering characteristics and the update results of the finite element model. The designers need to refer to the relevant engineering cases according to the standard requirements when compiling. It takes a lot of time to retrieve information and organize language, and the degree of automation and intelligence is low. This paper proposes an intelligent generation method of structural demolition suggestions based on multi-model collaboration, and improves the text generation performance of large language models in the field of structural demolition by Retrieval-Augmented Generation and Low-Rank Adaptation Fine-Tuning technology. The intelligent generation framework of multi-model collaborative structural demolition suggestions can start from the specific engineering situation, drive the large language model to answer with anthropomorphic thinking, and propose demolition suggestions that are highly consistent with the characteristics of the structure. Compared with CivilGPT, the multi-model collaboration framework proposed in this paper can focus more on the key information of the structure, and the suggestions are more targeted.
- Abstract（参考訳）: 有限要素モデルの特定の工学的特性と更新結果に応じて, 鋼構造物の解体スキームをコンパイルする必要がある。
設計者はコンパイル時の標準要件に従って関連するエンジニアリングケースを参照する必要がある。
情報を取得し、言語を組織化するのに多くの時間がかかり、自動化とインテリジェンスの度合いは低い。
本稿では,多モデル協調に基づく構造的分解提案のインテリジェントな生成手法を提案し,検索型生成と低ランク適応微調整技術による構造的分解の分野における大規模言語モデルのテキスト生成性能を向上させる。
多モデル協調的な構造的解体提案のインテリジェントな生成フレームワークは、特定の工学的状況から始まり、大きな言語モデルを人為的思考に応答させ、構造の特徴と高度に整合した分解提案を提案することができる。
本稿では,CivilGPTと対比して,本論文で提案するマルチモデル協調フレームワークは,構造の重要な情報により焦点を絞ることができる。
関連論文リスト
- Large Language Model Agent for Structural Drawing Generation Using ReAct Prompt Engineering and Retrieval Augmented Generation [3.326690511274941]
土木工学では、建築図面は建築家、技術者、建築者の間の主要なコミュニケーションツールとして機能する。
ソフトウェア能力の進歩にもかかわらず、構造図を作成するタスクは、労働集約的で時間を要するままである。
本稿では,大規模言語モデル(LLM)エージェントを用いた構造図を生成するための,新しい生成AIベースの手法を提案する。
論文 参考訳（メタデータ） (2025-07-26T03:47:12Z) - Context-Guided Dynamic Retrieval for Improving Generation Quality in RAG Models [2.9687381456164004]
意味理解と知識スケジューリングの効率化を図るための状態認識型動的知識検索機構を提案する。
提案した構造は, GPT-4, GPT-4o, DeepSeek など,様々な大規模モデルで徹底的に評価されている。
このアプローチはまた、意味的あいまいさとマルチドキュメント融合を含むタスクにおいて、強い堅牢性と生成一貫性を示す。
論文 参考訳（メタデータ） (2025-04-28T02:50:45Z) - Computer-Aided Layout Generation for Building Design: A Review [18.703604111298695]
本稿では,アーキテクチャのレイアウト設計と生成に関する3つの主要な研究テーマについて概説する。
各トピックについて、研究領域(アーキテクチャまたは機械学習)またはユーザ入力条件または制約によって分類される主要なパラダイムの概要を示す。
論文 参考訳（メタデータ） (2025-04-13T19:00:53Z) - SDIGLM: Leveraging Large Language Models and Multi-Modal Chain of Thought for Structural Damage Identification [2.9239817922453333]
SDIGLMは, マルチモーダル構造損傷同定モデルである。
このマルチモーダル CoT を活用することで、SDIGLM は様々なインフラタイプで95.24%の精度を達成し、構造的損傷の特定において汎用 LMM を超えている。
論文 参考訳（メタデータ） (2025-04-12T11:37:10Z) - A Survey of Model Architectures in Information Retrieval [64.75808744228067]
機能抽出のためのバックボーンモデルと、関連性推定のためのエンドツーエンドシステムアーキテクチャの2つの重要な側面に焦点を当てる。
従来の用語ベースの手法から現代のニューラルアプローチまで,特にトランスフォーマーベースのモデルとそれに続く大規模言語モデル(LLM)の影響が注目されている。
我々は、パフォーマンスとスケーラビリティのアーキテクチャ最適化、マルチモーダル、マルチランガルデータの処理、従来の検索パラダイムを超えた新しいアプリケーションドメインへの適応など、新たな課題と今後の方向性について議論することで結論付けた。
論文 参考訳（メタデータ） (2025-02-20T18:42:58Z) - The Buffer Mechanism for Multi-Step Information Reasoning in Language Models [52.77133661679439]
大きな言語モデルの内部的推論メカニズムを調べることは、よりよいモデルアーキテクチャとトレーニング戦略を設計するのに役立ちます。
本研究では,トランスフォーマーモデルが垂直思考戦略を採用するメカニズムを解明するために,シンボリックデータセットを構築した。
我々は,GPT-2モデルに必要なトレーニング時間を75%削減し,モデルの推論能力を高めるために,ランダムな行列ベースアルゴリズムを提案した。
論文 参考訳（メタデータ） (2024-05-24T07:41:26Z) - Generative AIBIM: An automatic and intelligent structural design pipeline integrating BIM and generative AI [4.110105899014154]
本稿では、既存のAIベースのデザインフレームワークを4つの側面から革新する。
まず、提案されたパイプラインは、BIMの適用範囲を広げる。
第2に、生成AI(TGAI)を組み込んだ2段階生成フレームワークは、設計問題の複雑さを単純化するために設計されている。
第3に、TGAIにおけるAIモデルにおいて、物理条件を拡散モデル(DM)に融合させ、新しい物理ベースの条件拡散モデル(PCDM)を構築するパイオニアである。
論文 参考訳（メタデータ） (2023-11-07T15:05:19Z) - Physics of Language Models: Part 1, Learning Hierarchical Language Structures [51.68385617116854]
トランスフォーマーベースの言語モデルは効率的だが複雑であり、内部の動作や推論メカニズムを理解することは大きな課題である。
本稿では,長文を生成可能な階層規則を生成する合成CFGのファミリーを紹介する。
我々は、GPTのような生成モデルがCFG定義階層を正確に学習し、推論し、それに基づいて文を生成することを実証する。
論文 参考訳（メタデータ） (2023-05-23T04:28:16Z) - Model Criticism for Long-Form Text Generation [113.13900836015122]
我々は,テキストの高レベル構造を評価するために,潜在空間におけるモデル批判という統計ツールを適用した。
我々は,コヒーレンス,コア,トピックスという,ハイレベルな談話の3つの代表的な側面について実験を行った。
トランスフォーマーベースの言語モデルでは、トピック構造をキャプチャできるが、構造コヒーレンスやモデリングコアスを維持するのが難しくなる。
論文 参考訳（メタデータ） (2022-10-16T04:35:58Z) - Knowledge-Aware Bayesian Deep Topic Model [50.58975785318575]
本稿では,事前知識を階層型トピックモデリングに組み込むベイズ生成モデルを提案する。
提案モデルでは,事前知識を効率的に統合し,階層的なトピック発見と文書表現の両面を改善する。
論文 参考訳（メタデータ） (2022-09-20T09:16:05Z)
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。