論文の概要: Phythesis: Physics-Guided Evolutionary Scene Synthesis for Energy-Efficient Data Center Design via LLMs

• arxiv url: http://arxiv.org/abs/2512.10611v2
• Date: Mon, 15 Dec 2025 13:25:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 15:10:29.238533
• Title: Phythesis: Physics-Guided Evolutionary Scene Synthesis for Energy-Efficient Data Center Design via LLMs
• Title（参考訳）: LLMによるエネルギー効率の良いデータセンター設計のための物理誘導進化シーン合成
• Authors: Minghao LI, Ruihang Wang, Rui Tan, Yonggang Wen,
• Abstract要約: データセンターインフラストラクチャは、コンピューティング能力の増大する需要をサポートするバックボーンとして機能する。 伝統的な設計手法は、人間の専門知識と専門的なシミュレーションツールを混ぜ合わせている。 近年の研究では、有能な人間中心の屋内レイアウトを設計するために、生成人工知能が採用されている。 大規模言語モデル(LLM)と物理誘導進化最適化を相乗化する新しいフレームワークであるPhythesisを提案する。
• 参考スコア（独自算出の注目度）: 9.210347753567092
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data center (DC) infrastructure serves as the backbone to support the escalating demand for computing capacity. Traditional design methodologies that blend human expertise with specialized simulation tools scale poorly with the increasing system complexity. Recent studies adopt generative artificial intelligence to design plausible human-centric indoor layouts. However, they do not consider the underlying physics, making them unsuitable for the DC design that sets quantifiable operational objectives and strict physical constraints. To bridge the gap, we propose Phythesis, a novel framework that synergizes large language models (LLMs) and physics-guided evolutionary optimization to automate simulation-ready (SimReady) scene synthesis for energy-efficient DC design. Phythesis employs an iterative bi-level optimization architecture, where (i) the LLM-driven optimization level generates physically plausible three-dimensional layouts and self-criticizes them to refine the scene topology, and (ii) the physics-informed optimization level identifies the optimal asset parameters and selects the best asset combination. Experiments on three generation scales show that Phythesis achieves 57.3% generation success rate increase and 11.5% power usage effectiveness (PUE) improvement, compared with the vanilla LLM-based solution.
• Abstract（参考訳）: データセンター(DC)インフラストラクチャは、コンピューティング能力の増大する需要を支えるバックボーンとして機能する。 人間の専門知識と専門的なシミュレーションツールを混ぜ合わせた従来の設計手法は、システムの複雑さが増すにつれて不十分にスケールする。 近年の研究では、有能な人間中心の屋内レイアウトを設計するために、生成人工知能が採用されている。 しかし、彼らは基礎となる物理学を考慮せず、定量的な運用目標と厳密な物理的制約を設定するDC設計には適さない。 このギャップを埋めるため,大言語モデル(LLM)と物理誘導型進化最適化を相乗化する新しいフレームワークであるPhythesisを提案し,エネルギー効率のよいDC設計のためのシミュレーション可読(SimReady)シーン合成を自動化する。 Phythesisは反復的二段階最適化アーキテクチャを採用している。 i) LLM駆動の最適化レベルは、物理的に妥当な3次元レイアウトを生成し、それらを自己批判し、シーントポロジを洗練させる。 (II) 物理インフォームド最適化レベルは最適な資産パラメータを特定し、最適な資産の組み合わせを選択する。 3世代にわたる実験の結果、Phythesisは57.3%の成功率の向上と11.5%の電力利用効率(PUE)の改善を実現している。

関連論文リスト

• Efficient-Husformer: Efficient Multimodal Transformer Hyperparameter Optimization for Stress and Cognitive Loads [0.0]
  トランスフォーマーに基づくモデルは生理的信号解析の分野で大きな注目を集めている。 時間的信号の長距離依存性や複雑なパターンを活用することで、従来のRNNやCNNモデルよりも優れたパフォーマンスを実現することができる。 マルチクラスストレス検出のためのトランスフォーマーベースアーキテクチャであるEfficient-Husformerを提案する。
  論文  参考訳（メタデータ） (2025-11-27T12:02:25Z)
• URDF-Anything: Constructing Articulated Objects with 3D Multimodal Language Model [76.08429266631823]
  3次元マルチモーダル大言語モデル(MLLM)に基づくエンドツーエンドの自動再構築フレームワークを提案する。 URDF-Anythingは、ポイントクラウドとテキストマルチモーダル入力に基づく自己回帰予測フレームワークを使用して、幾何学的セグメンテーションと運動論的パラメータ予測を協調的に最適化する。 シミュレーションと実世界の両方のデータセットの実験は、我々の手法が既存の手法よりも大幅に優れていることを示した。
  論文  参考訳（メタデータ） (2025-11-02T13:45:51Z)
• OptiScene: LLM-driven Indoor Scene Layout Generation via Scaled Human-aligned Data Synthesis and Multi-Stage Preference Optimization [54.60030826635478]
  既存の屋内レイアウト生成手法は、プロンプト駆動と学習に基づく2つのカテゴリに分類される。 本稿では,大規模データセットである3D-SynthPlaceについて紹介する。 屋内レイアウト生成に最適化された強力なオープンソースLLMであるOptiSceneを紹介する。
  論文  参考訳（メタデータ） (2025-06-09T09:13:06Z)
• Accelerated Gradient-based Design Optimization Via Differentiable Physics-Informed Neural Operator: A Composites Autoclave Processing Case Study [0.0]
  本稿では,複雑な工学系の非線形挙動を効果的にモデル化する物理インフォームドディープONet(PIDON)アーキテクチャを提案する。 3倍の高速化を実現した航空宇宙グレード複合材料硬化プロセスの最適化における本フレームワークの有効性を実証する。 提案モデルには,高度工学およびディジタルツインシステムにおける幅広い応用のための,スケーラブルで効率的な最適化ツールとして使用される可能性がある。
  論文  参考訳（メタデータ） (2025-02-17T07:11:46Z)
• Structural Design Through Reinforcement Learning [0.7874708385247352]
  Sogymは、トポロジ最適化(TO)における機械学習を促進するために設計された、オープンソースの強化学習環境である。 これは、TOの物理学を報酬関数に統合することで、物理的に実現可能で構造的に堅牢な設計を生成する。
  論文  参考訳（メタデータ） (2024-07-10T00:38:08Z)
• Large Language Model Agent as a Mechanical Designer [7.136205674624813]
  本研究では、FEMモジュールと協調して事前訓練された大規模言語モデル(LLM)を利用して、構造設計を自律的に生成、評価、洗練するフレームワークを提案する。 LLMはドメイン固有の微調整なしで動作し、設計候補を提案し、FEMから派生した性能指標を解釈し、構造的な音響修正を適用する。 NSGA-II (Non-Sorting Genetic Algorithm II) と比較して,本手法はより高速に収束し,より少ないFEM評価を実現する。
  論文  参考訳（メタデータ） (2024-04-26T16:41:24Z)
• Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
  我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。 本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。 我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
  論文  参考訳（メタデータ） (2024-03-26T16:33:12Z)
• Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
  ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-11-05T11:48:08Z)

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。