論文の概要: NIMMGen: Learning Neural-Integrated Mechanistic Digital Twins with LLMs
- arxiv url: http://arxiv.org/abs/2602.18008v1
- Date: Fri, 20 Feb 2026 05:46:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-23 18:01:41.241165
- Title: NIMMGen: Learning Neural-Integrated Mechanistic Digital Twins with LLMs
- Title（参考訳）: NIMMGen:LLMを用いたニューラルネットワークによるメカニスティックデジタル双生児の学習
- Authors: Zihan Guan, Rituparna Datta, Mengxuan Hu, Shunshun Liu, Aiying Zhang, Prasanna Balachandran, Sheng Li, Anil Vullikanti,
- Abstract要約: 本稿では,ニューラル・インテグレート・メカニスティック・モデリング(NIMM)評価フレームワークを導入し,メカニスティック・モデルの評価を行う。
我々の評価は、モデルの有効性からコードレベルの正確性まで、現在のベースラインにおける根本的な課題を明らかにします。
NIMMgenは,プログラムの正確性や実用性を向上させる,ニューラルネットワークによるメカニスティックモデリングのためのエージェントフレームワークである。
- 参考スコア（独自算出の注目度）: 17.66806675891691
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mechanistic models encode scientific knowledge about dynamical systems and are widely used in downstream scientific and policy applications. Recent work has explored LLM-based agentic frameworks to automatically construct mechanistic models from data; however, existing problem settings substantially oversimplify real-world conditions, leaving it unclear whether LLM-generated mechanistic models are reliable in practice. To address this gap, we introduce the Neural-Integrated Mechanistic Modeling (NIMM) evaluation framework, which evaluates LLM-generated mechanistic models under realistic settings with partial observations and diversified task objectives. Our evaluation reveals fundamental challenges in current baselines, ranging from model effectiveness to code-level correctness. Motivated by these findings, we design NIMMgen, an agentic framework for neural-integrated mechanistic modeling that enhances code correctness and practical validity through iterative refinement. Experiments across three datasets from diversified scientific domains demonstrate its strong performance. We also show that the learned mechanistic models support counterfactual intervention simulation.
- Abstract（参考訳）: 力学モデルは力学系の科学的知識を符号化し、下流の科学的・政策的な応用で広く利用されている。
近年、データからメカニスティックモデルを自動的に構築するLLMベースのエージェントフレームワークが検討されているが、既存の問題設定は現実の条件をかなり単純化しており、実際にLLMの生成したメカニスティックモデルが信頼できるかどうかは不明である。
このギャップに対処するため,我々は,LLM生成力学モデルの評価を行うNIMM (Neural-Integrated Mechanistic Modeling) 評価フレームワークを導入する。
我々の評価は、モデルの有効性からコードレベルの正確性まで、現在のベースラインにおける根本的な課題を明らかにします。
これらの知見に触発されたNIMMgenは,反復的精錬によるコード正当性と実用的妥当性を高めるニューラル積分力学モデリングのためのエージェント・フレームワークである。
多様化した科学領域から3つのデータセットにまたがる実験は、その強い性能を示している。
また,学習したメカニスティックモデルが対実的介入シミュレーションを支援することも示す。
関連論文リスト
- Discovering Mechanistic Models of Neural Activity: System Identification in an in Silico Zebrafish [0.8219355086755371]
幼魚ゼブラフィッシュのシミュレーションを基礎として, ニューラルネットワークの力学モデルをテストする。
LLMをベースとした木探索では,予測基準値を大幅に上回る予測モデルが自律的に発見された。
我々の洞察は、現実世界のニューラル記録をモデル化するためのガイダンスを提供し、AI駆動の科学的発見のためのより広範なテンプレートを提供する。
論文 参考訳（メタデータ） (2026-02-04T12:33:29Z) - Automating modeling in mechanics: LLMs as designers of physics-constrained neural networks for constitutive modeling of materials [0.0]
大規模言語モデル(LLM)ベースのエージェントフレームワークは、タスク固有のエージェントを動的に生成するパラダイムをますます採用している。
我々は、エージェントだけでなく、科学や工学のタスクのための特殊なソフトウェアモジュールもオンデマンドで生成できることを示唆している。
論文 参考訳（メタデータ） (2025-12-01T14:42:22Z) - Simulation as Supervision: Mechanistic Pretraining for Scientific Discovery [0.0]
本稿では,ニューラルネットワークのトレーニングデータとしてメカニスティックシミュレーションを利用するフレームワークであるSGNNを紹介する。
SGNNは科学の分野やモデリングのタスクにまたがって最先端の結果を達成する。
それらは新しい機械的解釈可能性の形式であるバック・トゥ・シミュレーションの属性を可能にする。
論文 参考訳（メタデータ） (2025-07-11T19:18:42Z) - Model Reprogramming Demystified: A Neural Tangent Kernel Perspective [49.42322600160337]
本稿では,ニューラルタンジェントカーネル(NTK)フレームワークのレンズを用いて,モデル再プログラミング(MR)の包括的理論的解析を行う。
目的とするデータセット上でのNTK行列の固有値スペクトルによってMRの成功が制御されることを示す。
我々の貢献には、MRの新たな理論フレームワーク、ソースモデルとターゲットモデルの関係に関する洞察、そして我々の発見を検証した広範な実験が含まれる。
論文 参考訳（メタデータ） (2025-05-31T16:15:04Z) - Enhancing Domain-Specific Encoder Models with LLM-Generated Data: How to Leverage Ontologies, and How to Do Without Them [9.952432291248954]
限られたデータを持つ領域におけるエンコーダモデルの連続事前学習におけるLLM生成データの利用について検討する。
侵入生物学における埋め込みモデルの性能を評価するためのベンチマークをコンパイルする。
提案手法は,小さなエンコーダモデルのドメイン固有理解を向上させるために,完全自動パイプラインを実現することを実証した。
論文 参考訳（メタデータ） (2025-03-27T21:51:24Z) - Meta-Learning for Physically-Constrained Neural System Identification [9.417562391585076]
ブラックボックスシステム識別のためのニューラルネットワークモデル(NSSM)の高速適応のための勾配に基づくメタラーニングフレームワークを提案する。
メタ学習モデルでは,室内の局所化とエネルギーシステムにおけるモデルベース状態推定において,ダウンストリーム性能が向上することを示す。
論文 参考訳（メタデータ） (2025-01-10T18:46:28Z) - 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) - Data-Efficient Inference of Neural Fluid Fields via SciML Foundation Model [49.06911227670408]
本研究では,SciML基礎モデルにより,現実の3次元流体力学を推定する際のデータ効率を大幅に向上できることを示す。
基礎モデルから抽出した拡張ビューと流体特徴を利用した新しい協調学習手法をニューラルネットワークに装備する。
論文 参考訳（メタデータ） (2024-12-18T14:39:43Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳（メタデータ） (2024-02-20T15:23:24Z)
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。