論文の概要: Solver-Independent Automated Problem Formulation via LLMs for High-Cost Simulation-Driven Design

• arxiv url: http://arxiv.org/abs/2512.18682v1
• Date: Sun, 21 Dec 2025 10:40:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.454369
• Title: Solver-Independent Automated Problem Formulation via LLMs for High-Cost Simulation-Driven Design
• Title（参考訳）: 高コストシミュレーション駆動設計のためのLLMによるソルバー非依存型自動問題定式化
• Authors: Yuchen Li, Handing Wang, Bing Xue, Mengjie Zhang, Yaochu Jin,
• Abstract要約: APFは、大規模言語モデルによる解決者に依存しない自動問題定式化のためのフレームワークである。 高精度なソルバフィードバックがない場合には、適切な微調整データセットを構築することの難しさを克服する。 APFは、要求定式化の精度と結果として生じる放射線効率曲線の質の両方において、既存の手法を著しく上回っている。
• 参考スコア（独自算出の注目度）: 31.21353236291861
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the high-cost simulation-driven design domain, translating ambiguous design requirements into a mathematical optimization formulation is a bottleneck for optimizing product performance. This process is time-consuming and heavily reliant on expert knowledge. While large language models (LLMs) offer potential for automating this task, existing approaches either suffer from poor formalization that fails to accurately align with the design intent or rely on solver feedback for data filtering, which is unavailable due to the high simulation costs. To address this challenge, we propose APF, a framework for solver-independent, automated problem formulation via LLMs designed to automatically convert engineers' natural language requirements into executable optimization models. The core of this framework is an innovative pipeline for automatically generating high-quality data, which overcomes the difficulty of constructing suitable fine-tuning datasets in the absence of high-cost solver feedback with the help of data generation and test instance annotation. The generated high-quality dataset is used to perform supervised fine-tuning on LLMs, significantly enhancing their ability to generate accurate and executable optimization problem formulations. Experimental results on antenna design demonstrate that APF significantly outperforms the existing methods in both the accuracy of requirement formalization and the quality of resulting radiation efficiency curves in meeting the design goals.
• Abstract（参考訳）: 低コストなシミュレーション駆動設計領域では、不明瞭な設計要件を数学的最適化形式に変換することが、製品性能の最適化のボトルネックとなる。 このプロセスは時間がかかり、専門家の知識に大きく依存します。 大規模言語モデル(LLM)は、このタスクを自動化する可能性をもっているが、既存のアプローチでは、設計意図と正確に一致しないような形式化の貧弱さや、シミュレーションコストが高いために利用できないデータフィルタリングの解決者フィードバックに悩まされている。 この課題に対処するために、エンジニアの自然言語要求を自動的に実行可能な最適化モデルに変換するように設計されたLLMによる解法に依存しない自動問題定式化のためのフレームワークであるAPFを提案する。 このフレームワークの中核は、高品質なデータを自動的に生成する革新的なパイプラインであり、データ生成とテストインスタンスアノテーションの助けを借りて、高コストのソルバフィードバックがない場合に、適切な微調整データセットを構築することの難しさを克服する。 生成された高品質データセットは、LLM上で教師付き微調整を行うために使用され、正確で実行可能な最適化問題の定式化を生成する能力を大幅に向上する。 アンテナ設計における実験結果から,APFは要求形式化の精度と設計目標を満たすための放射効率曲線の質の両方において,既存の手法を著しく上回っていることが示された。

関連論文リスト

• Benchmarking Generative AI Against Bayesian Optimization for Constrained Multi-Objective Inverse Design [0.15293427903448018]
  本稿では,制約付き多目的回帰タスクを解くための生成可能な言語モデル(LLM)の性能について検討する。 最高の性能のLDM(Math-7B)は1.21の世代距離(GD)を達成した。 この知見は, 樹脂, レオロジー, 化学特性の定式化設計の最適化に, 直接工業的応用が期待できる。
  論文  参考訳（メタデータ） (2025-10-29T10:37:09Z)
• Experience-Guided Reflective Co-Evolution of Prompts and Heuristics for Automatic Algorithm Design [124.54166764570972]
  組合せ最適化問題は伝統的に手作りのアルゴリズムで取り組まれている。 最近の進歩は、大規模言語モデルによる自動設計の可能性を強調している。 本稿では,自動アルゴリズム設計のためのPmpt and Heuristics (EvoPH) を用いた経験進化的リフレクティブ・ガイドを提案する。
  論文  参考訳（メタデータ） (2025-09-29T09:24:09Z)
• From Natural Language to Solver-Ready Power System Optimization: An LLM-Assisted, Validation-in-the-Loop Framework [1.7136832159667206]
  本稿では,Large Language Models (LLMs) を用いたエージェントを導入し,電力系統最適化シナリオの自然言語記述を,コンパクトで解決可能な定式化に自動変換する。 提案手法は,オフザシェルフ最適化解法により効率よく解ける数学的に互換性のある定式化の発見に重点を置いている。
  論文  参考訳（メタデータ） (2025-08-11T16:22:57Z)
• Step-Opt: Boosting Optimization Modeling in LLMs through Iterative Data Synthesis and Structured Validation [18.18239596347168]
  Step-Opt-Instructは、既存のデータセットを拡張し、最適化モデリングに適した高品質な微調整データを生成するフレームワークである。 LLaMA-3-8B や Mistral-7B などのオープンソース LLM を微調整し,NL4OPT,MAMO,IndustrialOR などのベンチマーク上で最先端のパフォーマンスを実現するStep-Opt-a モデルを開発した。
  論文  参考訳（メタデータ） (2025-06-21T08:42:27Z)
• Solver-Informed RL: Grounding Large Language Models for Authentic Optimization Modeling [3.253908111652627]
  大型言語モデル(LLM)は、しばしば幻覚に対する形式的正当で使用可能なモデルを生成するのに苦労する。 本稿では,検証リワードを用いた強化学習を用いた最適化モデルのためのLLMの信頼性を向上する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-17T02:32:03Z)
• Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
  強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。 大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。 統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:47:00Z)
• Retrieval-Augmented Instruction Tuning for Automated Process Engineering Calculations : A Tool-Chaining Problem-Solving Framework with Attributable Reflection [0.0]
  オープンでカスタマイズ可能な小型コード言語モデル(SLM)を強化するためにRAIT(Retrieval-Augmented Instruction-Tuning)を活用する新しい自律エージェントフレームワークを提案する。 命令チューニングされたコードSLMと外部ツールを使用してRACG(Retrieval-Augmented Code Generation)を組み合わせることで、エージェントは自然言語仕様からコードを生成し、デバッグし、最適化する。 我々のアプローチは、専門的なプロセスエンジニアリングタスクのための基礎的AIモデルの欠如の限界に対処し、説明可能性、知識編集、費用対効果の利点を提供する。
  論文  参考訳（メタデータ） (2024-08-28T15:33:47Z)
• Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [111.28605744661638]
  構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。 また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-08T22:33:14Z)
• Offline Model-Based Optimization via Normalized Maximum Likelihood Estimation [101.22379613810881]
  データ駆動最適化の問題を検討し、一定の点セットでクエリのみを与えられた関数を最大化する必要がある。 この問題は、関数評価が複雑で高価なプロセスである多くの領域に現れる。 我々は,提案手法を高容量ニューラルネットワークモデルに拡張可能なトラクタブル近似を提案する。
  論文  参考訳（メタデータ） (2021-02-16T06:04:27Z)
• Automatically Learning Compact Quality-aware Surrogates for Optimization Problems [55.94450542785096]
  未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。 最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。 我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-06-18T19:11:54Z)

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。