論文の概要: Perceptual Self-Reflection in Agentic Physics Simulation Code Generation

• arxiv url: http://arxiv.org/abs/2602.12311v1
• Date: Thu, 12 Feb 2026 15:48:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.70674
• Title: Perceptual Self-Reflection in Agentic Physics Simulation Code Generation
• Title（参考訳）: エージェント物理シミュレーションコード生成における知覚自己反射
• Authors: Prashant Shende, Bradley Camburn,
• Abstract要約: 本稿では,自然言語記述から物理シミュレーションコードを生成するフレームワークを提案する。 主要なイノベーションは知覚的検証であり、視覚能力のある言語モデルを使用してレンダリングされたアニメーションフレームを分析する。 本研究では, 古典力学, 流体力学, 熱力学, 電磁学, 波動物理学, 反応拡散系, 非物理データ可視化を含む7分野にわたるシステム評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a multi-agent framework for generating physics simulation code from natural language descriptions, featuring a novel perceptual self-reflection mechanism for validation. The system employs four specialized agents: a natural language interpreter that converts user requests into physics-based descriptions; a technical requirements generator that produces scaled simulation parameters; a physics code generator with automated self-correction; and a physics validator that implements perceptual self-reflection. The key innovation is perceptual validation, which analyzes rendered animation frames using a vision-capable language model rather than inspecting code structure directly. This approach addresses the ``oracle gap'' where syntactically correct code produces physically incorrect behavior--a limitation that conventional testing cannot detect. We evaluate the system across seven domains including classical mechanics, fluid dynamics, thermodynamics, electromagnetics, wave physics, reaction-diffusion systems, and non-physics data visualization. The perceptual self-reflection architecture demonstrates substantial improvement over single-shot generation baselines, with the majority of tested scenarios achieving target physics accuracy thresholds. The system exhibits robust pipeline stability with consistent code self-correction capability, operating at approximately \$0.20 per animation. These results validate our hypothesis that feeding visual simulation outputs back to a vision-language model for iterative refinement significantly outperforms single-shot code generation for physics simulation tasks and highlights the potential of agentic AI to support engineering workflows and physics data generation pipelines.
• Abstract（参考訳）: 本稿では,自然言語記述から物理シミュレーションコードを生成するためのマルチエージェントフレームワークを提案する。 このシステムは、ユーザー要求を物理ベースの記述に変換する自然言語インタプリタ、スケールしたシミュレーションパラメータを生成する技術要件ジェネレータ、自動自己補正を備えた物理コードジェネレータ、知覚的自己回帰を実装する物理検証器の4つの特殊エージェントを使用している。 重要なイノベーションは知覚的検証であり、コード構造を直接検査するのではなく、視覚対応言語モデルを用いてレンダリングされたアニメーションフレームを分析する。 このアプローチは、構文的に正しいコードが物理的に不正確な振る舞いを生み出す '`oracle gap'' に対処する。 本研究では, 古典力学, 流体力学, 熱力学, 電磁学, 波動物理学, 反応拡散系, 非物理データ可視化を含む7分野にわたるシステム評価を行った。 知覚的自己回帰アーキテクチャは単発生成ベースラインよりも大幅に改善され、テストシナリオの大部分が目標物理精度のしきい値を達成する。 このシステムは、一貫したコード自己補正機能を備えた堅牢なパイプライン安定性を示し、1アニメーションあたり約0.20ドルで動作している。 これらの結果は、視覚シミュレーションの出力を視覚言語モデルに戻すことで、物理シミュレーションタスクの単発コード生成を著しく上回り、エンジニアリングワークフローや物理データ生成パイプラインをサポートするエージェントAIの可能性を強調した。

関連論文リスト

• PhysRVG: Physics-Aware Unified Reinforcement Learning for Video Generative Models [100.65199317765608]
  物理原理は現実的な視覚シミュレーションには基本的だが、トランスフォーマーベースのビデオ生成において重要な監視対象である。 本研究では,物理衝突ルールを高次元空間に直接適用した映像生成モデルのための物理認識強化学習パラダイムを提案する。 このパラダイムを、MDcycle(Mimicry-Discovery Cycle)と呼ばれる統合フレームワークに拡張することで、大幅な微調整を可能にします。
  論文  参考訳（メタデータ） (2026-01-16T08:40:10Z)
• 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)
• Adversarial Disentanglement by Backpropagation with Physics-Informed Variational Autoencoder [0.0]
  物理系の部分的な知識の下での推測と予測は困難である。 本稿では,物理モデルとデータ駆動モデルの柔軟性を組み合わせた物理インフォームド変分オートエンコーダアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-06-16T16:18:25Z)
• Unreal Robotics Lab: A High-Fidelity Robotics Simulator with Advanced Physics and Rendering [4.760567755149477]
  本稿では,Unreal Engineの高度なレンダリング機能とMuJoCoの高精度物理シミュレーションを統合する新しいシミュレーションフレームワークを提案する。 我々のアプローチは、正確な物理的相互作用を維持しながら、現実的なロボット知覚を可能にする。 フレームワーク内のビジュアルナビゲーションとSLAMメソッドをベンチマークし、制御されながら多様なシナリオで実世界のロバスト性をテストするための実用性を実証する。
  論文  参考訳（メタデータ） (2025-04-19T01:54:45Z)
• Automating Physics-Based Reasoning for SysML Model Validation [2.8994675888853516]
  現在のメソッドは、情報フローとコンポーネントの相互作用のチェック、一貫性の確保、システムモデリング言語(SysML)モデル内の依存関係の特定に優れています。 本稿では,形式言語やグラフィカル表現,推論アルゴリズムなど,関数表現に関する既存の研究を活用し,それらを物理ベースの検証手法に統合するアプローチを提案する。 SysMLでモデル化されたシステム上で、物理に基づく推論を行う際のモデルの実用性と有効性を説明するために、4つのケーススタディが検査された。
  論文  参考訳（メタデータ） (2025-01-30T17:24:38Z)
• 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)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。