論文の概要: An N-Plus-1 GPT Agency for Critical Solution of Mechanical Engineering Analysis Problems

• arxiv url: http://arxiv.org/abs/2509.18229v1
• Date: Mon, 22 Sep 2025 12:21:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.502572
• Title: An N-Plus-1 GPT Agency for Critical Solution of Mechanical Engineering Analysis Problems
• Title（参考訳）: N-Plus-1 GPT Agency for critical Solution of Mechanical Engineering Analysis Problems
• Authors: Anthony Patera, Rohan Abeyaratne,
• Abstract要約: ジェネレーティブAI、特にGPTは、機械工学の分析問題に対する顕著な解決策を生み出します。 これにより、教育やエンジニアリングの実践に"アウト・オブ・ボックス"のGPTは適さない。 機械工学における問題文の初期(低コスト)解析のための「N-Plus-1」について紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative AI, and specifically GPT, can produce a remarkable solution to a mechanical engineering analysis problem - but also, on occasion, a flawed solution. For example, an elementary mechanics problem is solved flawlessly in one GPT instance and incorrectly in a subsequent GPT instance, with a success probability of only 85%. This unreliability renders "out-of-the-box" GPT unsuitable for deployment in education or engineering practice. We introduce an "N-Plus-1" GPT Agency for Initial (Low-Cost) Analysis of mechanical engineering Problem Statements. Agency first launches N instantiations of Agent Solve to yield N independent Proposed Problem Solution Realizations; Agency then invokes Agent Compare to summarize and compare the N Proposed Problem Solution Realizations and to provide a Recommended Problem Solution. We argue from Condorcet's Jury Theorem that, for a Problem Statement characterized by per-Solve success probability greater than 1/2 (and N sufficiently large), the Predominant (Agent Compare) Proposed Problem Solution will, with high probability, correspond to a Correct Proposed Problem Solution. Furthermore, Agent Compare can also incorporate aspects of Secondary (Agent Compare) Proposed Problem Solutions, in particular when the latter represent alternative Problem Statement interpretations - different Mathematical Models - or alternative Mathematical Solution Procedures. Comparisons to Grok Heavy, a commercial multi-agent model, show similarities in design and performance, but also important differences in emphasis: our Agency focuses on transparency and pedagogical value.
• Abstract（参考訳）: ジェネレーティブAI、特にGPTは、機械工学の分析問題に対する顕著な解決策を生み出します。 例えば、初等力学問題は1つのGPTインスタンスで完璧に解決され、次のGPTインスタンスで誤って解決され、成功確率はわずか85%である。 この信頼性の低いGPTは、教育やエンジニアリングの実践に適さない。 機械工学における問題文の初期(低コスト)解析のための「N-Plus-1」について紹介する。 エージェンシーはまず N 個のエージェントゾルブを起動して N 個の独立問題解実現を誘導し、次にエージェント比較を起動して N 個の提案問題解実現を要約して比較し、推奨問題解を提供する。 我々はCondorcet の Jury Theorem から、ソリブ当たりの成功確率が 1/2 以上(かつ N が十分大きい)と特徴づけられる問題ステートメントに対して、提案された問題解は、高い確率で、正しい提案された問題解に対応すると論じている。 さらに、エージェント比較(Agent Comparisone)は二次的(Agent Comparisone)な問題解の側面を組み込むこともできる。 商用マルチエージェントモデルであるGrok Heavyとの比較は、デザインとパフォーマンスの類似性を示しているが、重要な違いも強調している。

関連論文リスト

• Prover Agent: An Agent-based Framework for Formal Mathematical Proofs [6.598148515720521]
  本稿では,自動定理証明のためのAIエージェントであるProver Agentを紹介する。 大規模な言語モデル(LLM)と公式な証明アシスタントであるLeanを統合している。 MiniF2Fベンチマークで86.1%の成功率を達成した。
  論文  参考訳（メタデータ） (2025-06-24T18:01:52Z)
• Diversifying the Mixture-of-Experts Representation for Language Models with Orthogonal Optimizer [59.43462055143123]
  The Mixture of Experts (MoE)は、ディープラーニングにおいて非常に成功したテクニックとして登場した。 本研究では,MoEの専門家が多様性の専門化や欠如に失敗した同質表現問題に光を当てた。 我々は,各専門家が他の専門家に分散された部分空間への方向を更新するように促す訓練戦略を交互に提案する。
  論文  参考訳（メタデータ） (2023-10-15T07:20:28Z)
• Thought Propagation: An Analogical Approach to Complex Reasoning with Large Language Models [62.96551299003463]
  大規模言語モデルの複雑な推論能力を高めるために,textbftextitThought Propagation (TP)を提案する。 TP はまず LLM に対して,入力問題に関連する類似問題の集合を提案し,解決するよう促す。 TPは、類似問題の結果を再利用して、新しいソリューションを直接生成したり、スクラッチから得られた初期ソリューションを修正するための知識集約的な実行プランを導出する。
  論文  参考訳（メタデータ） (2023-10-06T01:40:09Z)
• Direct Heterogeneous Causal Learning for Resource Allocation Problems in Marketing [20.9377115817821]
  マーケティングは、ユーザのエンゲージメントを高め、プラットフォーム収益を改善するための重要なメカニズムである。 マーケティングにおける意思決定問題は資源配分問題として定式化され、数十年にわたって研究されてきた。 既存の作業は通常、解法を2つの完全に分離された段階、すなわち機械学習(ML)と操作研究(OR)に分割する。
  論文  参考訳（メタデータ） (2022-11-28T19:27:34Z)
• Instance-Dependent Confidence and Early Stopping for Reinforcement Learning [99.57168572237421]
  強化学習(RL)のための様々なアルゴリズムは、その収束率の劇的な変動を問題構造の関数として示している。 この研究は、観察されたパフォーマンスの違いについて、textitexを説明する保証を提供する。 次の自然なステップは、これらの理論的保証を実際に有用なガイドラインに変換することです。
  論文  参考訳（メタデータ） (2022-01-21T04:25:35Z)
• On the Convergence of Projected Alternating Maximization for Equitable and Optimal Transport [36.97843660480747]
  本稿では,多くの応用例を有する等価・最適輸送(EOT)問題について検討する。 離散分布の場合、EOT問題は線形プログラム(LP)として定式化できる。 このLPは一般解法では禁止的に大きいため、Scetbon etal citescetbonequitable はエントロピー正則化を加えることによって問題を摂動することを示唆している。 彼らは、エントロピー正規化EOTの双対を解くための予測交互化アルゴリズム(PAM)を提案した。
  論文  参考訳（メタデータ） (2021-09-29T04:32:06Z)

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。