論文の概要: AutoSAM: an Agentic Framework for Automating Input File Generation for the SAM Code with Multi-Modal Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2603.24736v1
• Date: Wed, 25 Mar 2026 18:59:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:47.948891
• Title: AutoSAM: an Agentic Framework for Automating Input File Generation for the SAM Code with Multi-Modal Retrieval-Augmented Generation
• Title（参考訳）: AutoSAM:マルチモーダル検索拡張生成によるSAMコードの入力ファイル生成を自動化するエージェントフレームワーク
• Authors: Zaid Abulawi, Zavier Ndum Ndum, Eric Cervi, Rui Hu, Yang Liu,
• Abstract要約: AutoSAMは、システム図、設計レポート、データテーブルなど、構造化されていないエンジニアリング文書を取り込みます。 シミュレーション関連パラメータを人間の聴取可能な中間表現に抽出する。 このフレームワークは、構造化された入力の100%利用、PDFテキストから約88%の抽出、および視覚に基づく幾何学的抽出における100%完全性を達成する。
• 参考スコア（独自算出の注目度）: 5.938383019072487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the design and safety analysis of advanced reactor systems, constructing input files for system-level thermal-hydraulics codes such as the System Analysis Module (SAM) remains a labor-intensive task. Analysts must extract and reconcile design data from heterogeneous engineering documents and manually translate it into solver-specific syntax. In this paper, we present AutoSAM, an agentic framework that automates SAM input file generation. The framework combines a large language model agent with retrieval-augmented generation over the solver's user guide and theory manual, together with specialized tools for analyzing PDFs, images, spreadsheets, and text files. AutoSAM ingests unstructured engineering documents, including system diagrams, design reports, and data tables, extracts simulation-relevant parameters into a human-auditable intermediate representation, and synthesizes validated, solver-compatible input decks. Its multimodal retrieval pipeline integrates scientific text extraction, vision-based figure interpretation, semantic embedding, and query answering. We evaluate AutoSAM on four case studies of increasing complexity: a single-pipe steady-state model, a solid-fuel channel with temperature reactivity feedback, the Advanced Burner Test Reactor core, and the Molten Salt Reactor Experiment primary loop. Across all cases, the agent produces runnable SAM models consistent with expected thermal-hydraulic behavior while explicitly identifying missing data and labeling assumed values. The framework achieves 100% utilization of structured inputs, about 88% extraction from PDF text, and 100% completeness in vision-based geometric extraction. These results demonstrate a practical path toward prompt-driven reactor modeling, in which analysts provide system descriptions and supporting documentation while the agent translates them into transparent, and executable, SAM simulations.
• Abstract（参考訳）: 先進的な原子炉システムの設計と安全性解析において、システム解析モジュール(SAM)のようなシステムレベルの熱水和コードのための入力ファイルの構築は、依然として労働集約的な作業である。 アナリストは異質なエンジニアリング文書から設計データを抽出して調整し、手動でソルバ固有の構文に変換する必要がある。 本稿では,SAM入力ファイル生成を自動化するエージェントフレームワークであるAutoSAMを提案する。 このフレームワークは、PDF、画像、スプレッドシート、テキストファイルを分析するための特別なツールとともに、大きな言語モデルエージェントと、解決者のユーザーガイドと理論マニュアルの検索強化された生成を組み合わせている。 AutoSAMは、システム図、設計レポート、データテーブルを含む非構造化のエンジニアリング文書を取り込み、シミュレーション関連パラメータを人間の聴取可能な中間表現に抽出し、検証済みのソルバ互換の入力デッキを合成する。 そのマルチモーダル検索パイプラインは、科学的テキスト抽出、視覚に基づく図形解釈、セマンティック埋め込み、クエリ応答を統合している。 単管定常状態モデル,温度反応性フィードバックを持つ固体燃料チャネル,Advanced Burner Test Reactorコア,およびMoten Salt Reactor Experimentプライマリループの4つのケーススタディについて,AutoSAMの評価を行った。 いずれの場合も、エージェントは期待される熱水和挙動と整合した実行可能なSAMモデルを生成し、欠落したデータを明示的に識別し、推定値のラベル付けを行う。 このフレームワークは、構造化された入力の100%利用、PDFテキストから約88%の抽出、および視覚に基づく幾何学的抽出における100%完全性を達成する。 これらの結果は, エージェントが透過的で実行可能なSAMシミュレーションに変換している間に, 分析者がシステム記述や文書を記述し, 支援する, プロンプト駆動型リアクトルモデリングへの実践的な道筋を示すものである。

関連論文リスト

• Sketch2Simulation: Automating Flowsheet Generation via Multi Agent Large Language Models [0.0]
  プロセススケッチを実行可能なシミュレーションモデルに変換することは、プロセスシステム工学において依然として大きなボトルネックとなっている。 生成AIの最近の進歩は、エンジニアリングダイアグラムの解釈とフローシートの生成の両方を改善してきたが、これらはほとんど接続されていない。 本稿では,プロセス図を直接実行可能なAspen HYSYSフローシートに変換する,エンドツーエンドのマルチエージェント大規模言語モデルを提案する。
  論文  参考訳（メタデータ） (2026-03-25T03:36:46Z)
• FABRIC: Framework for Agent-Based Realistic Intelligence Creation [3.940391073007047]
  大規模言語モデル(LLM)はエージェントとしてますます多くデプロイされ、目標を分解し、ツールを実行し、動的環境で結果を検証することが期待されている。 本稿では,LLMのみを用いたエージェントデータの統一化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-20T18:20:22Z)
• ChemActor: Enhancing Automated Extraction of Chemical Synthesis Actions with LLM-Generated Data [53.78763789036172]
  ケミカルエグゼキュータとして完全微調整された大規模言語モデル(LLM)であるChemActorを紹介し,非構造化実験手順と構造化動作シーケンスを変換する。 このフレームワークは、分散分散に基づくデータ選択モジュールと汎用LLMを統合し、単一の分子入力からマシン実行可能なアクションを生成する。 反応記述(R2D)と記述記述処理(D2A)のタスクの実験により、ChemActorは最先端のパフォーマンスを達成し、ベースラインモデルよりも10%高い性能を示した。
  論文  参考訳（メタデータ） (2025-06-30T05:11:19Z)
• MooseAgent: A LLM Based Multi-agent Framework for Automating Moose Simulation [1.951051209076837]
  本稿では,マルチ物理シミュレーションフレームワークMOOSEのための自動解法フレームワークMooseAgentを提案する。 MooseAgentは、大規模事前訓練言語モデル(LLM)とマルチエージェントシステムを組み合わせる。 その結果,MooseAgentはMOOSEシミュレーションプロセスをある程度自動化できることがわかった。
  論文  参考訳（メタデータ） (2025-04-11T15:25:50Z)
• LatteReview: A Multi-Agent Framework for Systematic Review Automation Using Large Language Models [0.2999888908665658]
  LatteReviewはPythonベースのフレームワークで、大規模言語モデル(LLM)とマルチエージェントシステムを活用して、体系的なレビュープロセスの重要な要素を自動化する。 このフレームワークは、外部コンテキストを組み込むRetrieval-Augmented Generation (RAG)、マルチモーダルレビュー、構造化された入力と出力に対するPydanticベースの検証、大規模データセットを扱う非同期プログラミングなどの機能をサポートしている。
  論文  参考訳（メタデータ） (2025-01-05T17:53:00Z)
• Multi-Agent Sampling: Scaling Inference Compute for Data Synthesis with Tree Search-Based Agentic Collaboration [81.45763823762682]
  本研究の目的は,マルチエージェントサンプリングによるデータ合成の問題を調べることでギャップを埋めることである。 逐次サンプリングプロセス中にワークフローが反復的に進化する木探索に基づくオーケストレーションエージェント(TOA)を紹介する。 アライメント、機械翻訳、数学的推論に関する実験は、マルチエージェントサンプリングが推論計算スケールとしてシングルエージェントサンプリングを著しく上回ることを示した。
  論文  参考訳（メタデータ） (2024-12-22T15:16:44Z)
• AlignSAM: Aligning Segment Anything Model to Open Context via Reinforcement Learning [61.666973416903005]
  Segment Anything Model (SAM)は、オープンワールドシナリオにおいて、プロンプトのガイダンスによって、その印象的な一般化機能を実証した。 オープンコンテキストにSAMをアライメントするための自動プロンプトのための新しいフレームワークAlignSAMを提案する。
  論文  参考訳（メタデータ） (2024-06-01T16:21:39Z)
• Zero-shot Composed Text-Image Retrieval [72.43790281036584]
  合成画像検索(CIR)の問題点を考察する。 テキストや画像などのマルチモーダル情報を融合し、クエリにマッチする画像を正確に検索し、ユーザの表現能力を拡張できるモデルをトレーニングすることを目的としている。
  論文  参考訳（メタデータ） (2023-06-12T17:56:01Z)

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。