論文の概要: Discovering High Level Patterns from Simulation Traces

• arxiv url: http://arxiv.org/abs/2602.10009v1
• Date: Tue, 10 Feb 2026 17:31:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.712075
• Title: Discovering High Level Patterns from Simulation Traces
• Title（参考訳）: シミュレーショントレースから高レベルパターンを発見する
• Authors: Sean Memery, Kartic Subr,
• Abstract要約: 本稿では,詳細なシミュレーションログから粗粒度パターンを検出する自然言語ガイド手法を提案する。 具体的には、シミュレーションログを操作するプログラムを合成し、それらを一連の高レベル活性化パターンにマッピングする。 2つの物理ベンチマークを通して、このアノテートされたシミュレーションログの表現は、物理系についての自然言語の推論により適していることを示す。
• 参考スコア（独自算出の注目度）: 1.8964402635820152
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence (AI) agents embedded in environments with physics-based interaction face many challenges including reasoning, planning, summarization, and question answering. This problem is exacerbated when a human user wishes to either guide or interact with the agent in natural language. Although the use of Language Models (LMs) is the default choice, as an AI tool, they struggle with tasks involving physics. The LM's capability for physical reasoning is learned from observational data, rather than being grounded in simulation. A common approach is to include simulation traces as context, but this suffers from poor scalability as simulation traces contain larger volumes of fine-grained numerical and semantic data. In this paper, we propose a natural language guided method to discover coarse-grained patterns (e.g., 'rigid-body collision', 'stable support', etc.) from detailed simulation logs. Specifically, we synthesize programs that operate on simulation logs and map them to a series of high level activated patterns. We show, through two physics benchmarks, that this annotated representation of the simulation log is more amenable to natural language reasoning about physical systems. We demonstrate how this method enables LMs to generate effective reward programs from goals specified in natural language, which may be used within the context of planning or supervised learning.
• Abstract（参考訳）: 物理学に基づく相互作用を持つ環境に埋め込まれた人工知能(AI)エージェントは、推論、計画、要約、質問応答など、多くの課題に直面している。 この問題は、人間が自然言語でエージェントを案内したり、対話したりしようとすると、さらに悪化する。 言語モデル(LM)の使用はデフォルトの選択であるが、AIツールとして物理学に関わるタスクに苦労する。 LMの物理的推論能力は、シミュレーションに基礎を置くのではなく、観測データから学習される。 一般的なアプローチは、シミュレーショントレースをコンテキストとして含めることであるが、シミュレーショントレースは、より詳細な数値データとセマンティックデータを含むため、スケーラビリティの低下に悩まされる。 本稿では,詳細なシミュレーションログから粗粒度パターン(例えば,剛体衝突,安定支援など)を発見するための自然言語ガイド手法を提案する。 具体的には、シミュレーションログを操作するプログラムを合成し、それらを一連の高レベル活性化パターンにマッピングする。 2つの物理ベンチマークを通して、このアノテートされたシミュレーションログの表現は、物理系についての自然言語の推論により適していることを示す。 本研究では,この手法を用いて,自然言語で特定された目標から効果的な報奨プログラムを作成できることを示す。

関連論文リスト

• SIMPACT: Simulation-Enabled Action Planning using Vision-Language Models [60.80050275581661]
  VLM(Vision-Language Models)は、目覚しい常識と意味論的推論能力を示す。 物理力学に関する基礎的な理解は欠如している。 テストタイムでシミュレーション可能な ACTion Planning フレームワークである S を提案する。 本手法は,5つの難易度,実世界の剛体および変形可能な操作課題に対して,最先端の性能を示す。
  論文  参考訳（メタデータ） (2025-12-05T18:51:03Z)
• SimBench: Benchmarking the Ability of Large Language Models to Simulate Human Behaviors [58.87134689752605]
  我々は,LLMシミュレーションの堅牢で再現可能な科学のための,最初の大規模標準ベンチマークであるSimBenchを紹介する。 現在、最高のLLMでさえシミュレーション能力が限られ(スコア: 40.80/100)、性能はモデルサイズと対数的にスケールする。 シミュレーション能力は、深い知識集約的推論と最も強く相関していることを示す。
  論文  参考訳（メタデータ） (2025-10-20T13:14:38Z)
• Physics Context Builders: A Modular Framework for Physical Reasoning in Vision-Language Models [11.282655911647483]
  視覚言語モデル(VLM)における物理推論の課題 物理コンテキストビルダー(PCB)は,物理シーンの詳細な記述を生成するために,より小型のVLMを微調整したモジュラーフレームワークである。 PCBは、視覚知覚と推論の分離を可能にし、身体的理解に対する相対的な貢献を分析することができる。
  論文  参考訳（メタデータ） (2024-12-11T18:40:16Z)
• Conversational Code Generation: a Case Study of Designing a Dialogue System for Generating Driving Scenarios for Testing Autonomous Vehicles [14.711419284809496]
  所望のシナリオと車両動作の合成において,非コーディング領域の専門家を支援するために,自然言語インタフェースを設計する。 非常に小さなトレーニングデータセットにもかかわらず、発話をシンボルプログラムに変換するのにそれを使うことは可能であることを示す。 人間の実験により、対話はシミュレーション生成の成功に不可欠であることが示され、拡張された会話に関わらず、世代よりも4.5倍の成功率が得られる。
  論文  参考訳（メタデータ） (2024-10-13T13:07:31Z)
• BeSimulator: A Large Language Model Powered Text-based Behavior Simulator [18.318419980796012]
  本研究では,BeSimulatorをテキストベースの環境下での動作シミュレーションの試みとして提案する。 BeSimulatorはシナリオを一般化し、長距離複素シミュレーションを実現する。 本実験は, ベースラインに比べ, 挙動シミュレーションにおいて顕著な性能向上を示した。
  論文  参考訳（メタデータ） (2024-09-24T08:37:04Z)
• SimLM: Can Language Models Infer Parameters of Physical Systems? [56.38608628187024]
  物理系におけるパラメータ推論におけるLarge Language Models (LLM) の性能について検討する。 実験の結果,単純なシステムであっても,本課題には適していないことが示唆された。 物理シミュレータを用いてLLMのコンテキストを拡大する探索の有望な方向を提案する。
  論文  参考訳（メタデータ） (2023-12-21T12:05:19Z)
• User Behavior Simulation with Large Language Model based Agents [116.74368915420065]
  LLMベースのエージェントフレームワークを提案し,実際のユーザ動作をシミュレートするサンドボックス環境を設計する。 実験結果から,本手法のシミュレーション行動は実人の行動に非常に近いことが判明した。
  論文  参考訳（メタデータ） (2023-06-05T02:58:35Z)
• Automated Dissipation Control for Turbulence Simulation with Shell Models [1.675857332621569]
  機械学習(ML)技術の応用、特にニューラルネットワークは、画像や言語を処理する上で大きな成功を収めています。 本研究は,Gledzer-Ohkitani-yamadaシェルモデルを用いて,乱流の簡易表現を構築する。 本稿では,自己相似慣性範囲スケーリングなどの乱流の統計的特性を再構築する手法を提案する。
  論文  参考訳（メタデータ） (2022-01-07T15:03:52Z)

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。