論文の概要: Rethinking Scientific Modeling: Toward Physically Consistent and Simulation-Executable Programmatic Generation

• arxiv url: http://arxiv.org/abs/2602.07083v1
• Date: Fri, 06 Feb 2026 06:57:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.433259
• Title: Rethinking Scientific Modeling: Toward Physically Consistent and Simulation-Executable Programmatic Generation
• Title（参考訳）: 科学的モデリングの再考 : 物理的一貫性とシミュレーション-実行可能なプログラム生成に向けて
• Authors: Yongqing Jiang, Jianze Wang, Zhiqi Shen, Zhenghong Lin, Jiayuan Wang, Yijian Yang, Kaoshan Dai, Haoran Luo,
• Abstract要約: 非実行可能または物理的に一貫性のない出力は、厳密な工学的制約の下では依然として一般的である。 物理に一貫性のある自動建築モデリングのための枠組みを提案する。 CivilInstructは、構造工学の知識と制約推論を形式化するドメイン固有のデータセットとして導入された。 MBEvalは、実行可能性と構造的ダイナミクスの一貫性を評価する検証駆動ベンチマークとして提示される。
• 参考スコア（独自算出の注目度）: 8.067859101380389
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Structural modeling is a fundamental component of computational engineering science, in which even minor physical inconsistencies or specification violations may invalidate downstream simulations. The potential of large language models (LLMs) for automatic generation of modeling code has been demonstrated. However, non-executable or physically inconsistent outputs remain prevalent under stringent engineering constraints. A framework for physics-consistent automatic building modeling is therefore proposed, integrating domain knowledge construction, constraint-oriented model alignment, and verification-driven evaluation. CivilInstruct is introduced as a domain-specific dataset that formalizes structural engineering knowledge and constraint reasoning to enable simulation-ready model generation. A two-stage fine-tuning strategy is further employed to enforce constraint satisfaction and application programming interface compliance, substantially reducing hallucinated and non-conforming outputs. MBEval is presented as a verification-driven benchmark that evaluates executability and structural dynamics consistency through closed-loop validation. Experimental results show consistent improvements over baselines across rigorous verification metrics. Our code is available at https://github.com/Jovanqing/AutoBM.
• Abstract（参考訳）: 構造モデリングは計算工学の基本的な要素であり、小さな物理的不整合や仕様違反でさえ下流のシミュレーションを無効にすることができる。 モデリングコードの自動生成のための大規模言語モデル(LLM)の可能性が実証されている。 しかし、実行不可能または物理的に一貫性のない出力は、厳密な工学的制約の下では依然として一般的である。 そこで, ドメイン知識構築, 制約指向モデルアライメント, 検証駆動評価を統合し, 物理に一貫性のある自動ビルディングモデリングのためのフレームワークを提案する。 CivilInstructは、構造工学の知識と制約推論を形式化し、シミュレーション可能なモデル生成を可能にするドメイン固有のデータセットとして導入された。 さらに、制約満足度とアプリケーションプログラミングインタフェースのコンプライアンスを強制するために、2段階の微調整戦略が採用され、幻覚的および非コンフォーミングな出力が大幅に削減される。 MBEvalは、クローズドループ検証による実行可能性と構造的ダイナミクスの一貫性を評価する検証駆動ベンチマークとして提示される。 実験結果から,厳密な検証指標による基準値よりも一貫した改善が得られた。 私たちのコードはhttps://github.com/Jovanqing/AutoBMで利用可能です。

関連論文リスト

• Agentic Scientific Simulation: Execution-Grounded Model Construction and Reconstruction [0.0]
  そこで本研究では,モデル構築をインタプリタ-アクト-バリデートループとして構成するエージェント科学シミュレーションについて検討する。 完全に微分可能なJuliaベースの貯水池シミュレータJutulDarcyをベースとした参照実装JutulGPTを提案する。
  論文  参考訳（メタデータ） (2026-02-27T15:42:05Z)
• Grounding LLMs in Scientific Discovery via Embodied Actions [84.11877211907647]
  大規模言語モデル (LLMs) は科学的発見に大きな可能性を示しているが、理論的推論と物理シミュレーションのギャップを埋めるのに苦労している。 EmbodiedActは、確立された科学ソフトウェアを、密着した知覚・実行ループによる実施行動の基盤化により、アクティブな実施エージェントに変換するフレームワークである。
  論文  参考訳（メタデータ） (2026-02-24T07:37:18Z)
• Constructing Industrial-Scale Optimization Modeling Benchmark [26.61380804019141]
  重要なボトルネックは、実際の最適化モデルに根ざした、自然言語仕様と参照定式化/解決コードとを一致させるベンチマークの欠如である。 実混合整数線形プログラムから構造を意識した逆構成手法により構築したMIPLIB-NLを提案する。 実験の結果,MIPLIB-NLは既存のベンチマークに強く依存するシステムに対して,大幅な性能低下を示した。
  論文  参考訳（メタデータ） (2026-02-11T02:45:31Z)
• Automotive Crash Dynamics Modeling Accelerated with Machine Learning [0.739600786135545]
  我々は、NVIDIA PhysicsNeMoフレームワークを用いて、クラッシュシナリオにおける構造変形の効率的な予測のための機械学習に基づくサロゲートモデルを開発した。 クラッシュダイナミクスをモデル化するための2つの最先端ニューラルネットワークアーキテクチャ、MeshGraphNetとTransolverについて検討する。 モデルでは、全体的な変形傾向を合理的な忠実さで捉え、構造的クラッシュダイナミクスに機械学習を適用する可能性を示している。
  論文  参考訳（メタデータ） (2025-10-17T00:03:33Z)
• A Foundation Model for Material Fracture Prediction [37.06207593775499]
  フラクチャー予測のためのデータ駆動基礎モデルを提案する。 シミュレーター、幅広い材料、様々な負荷条件で作動する。 さまざまな下流タスクに関する最小限のデータで微調整できる。
  論文  参考訳（メタデータ） (2025-07-30T20:23:36Z)
• 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)
• A SCADE Model Verification Method Based on B-Model Transformation [0.8437187555622164]
  本研究では,B法に基づく形式的検証フレームワークを提案する。 SCADEで直接モデリングするのが難しい抽象仕様をうまく検証します。 本研究は,アビオニクス,鉄道輸送,その他の領域における組込み制御システムに対するクロスモデル検証パラダイムを提供する。
  論文  参考訳（メタデータ） (2025-05-02T03:05:09Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• SIP: Injecting a Structural Inductive Bias into a Seq2Seq Model by Simulation [75.14793516745374]
  本稿では, 構造的帰納バイアスをセック2セックモデルに効率よく注入し, 合成データの構造的変換をシミュレートする方法について述べる。 実験の結果,本手法は所望の帰納バイアスを付与し,FSTのようなタスクに対してより優れた数発学習を実現することがわかった。
  論文  参考訳（メタデータ） (2023-10-01T21:19:12Z)
• Benchmarking Model Predictive Control Algorithms in Building Optimization Testing Framework (BOPTEST) [40.17692290400862]
  物理に基づく建築エミュレータのためのデータ駆動モデリングおよび制御フレームワークを提案する。 a)モデル評価を加速し、コスト効率の良い勾配を提供し、モデル予測制御(MPC)における後退地平線に対する良好な予測精度を維持する、微分可能な代理モデルのオフライントレーニング。 ビルディング最適化テストフレームワーク(BOPTEST)で利用可能な様々なテストケースに対して、複数のサロゲートモデルと最適化フレームワークを用いて、モデリングと制御性能を広範囲に評価する。
  論文  参考訳（メタデータ） (2023-01-31T06:55:19Z)
• Surrogate Modeling for Physical Systems with Preserved Properties and Adjustable Tradeoffs [0.0]
  代理モデルを生成するためのモデルベースおよびデータ駆動型戦略を提案する。 後者は、前提となる位相構造に人工的関係を組み込むことで解釈可能な代理モデルを生成する。 我々のフレームワークは、分散パラメータモデルのための様々な空間離散化スキームと互換性がある。
  論文  参考訳（メタデータ） (2022-02-02T17:07:02Z)

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。