論文の概要: Designing FSMs Specifications from Requirements with GPT 4.0

• arxiv url: http://arxiv.org/abs/2603.29140v1
• Date: Tue, 31 Mar 2026 01:42:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:02.992089
• Title: Designing FSMs Specifications from Requirements with GPT 4.0
• Title（参考訳）: GPT 4.0 で要求仕様から FSM 仕様を設計する
• Authors: Omer Nguena Timo, Paul-Alexis Rodriguez, Florent Avellaneda,
• Abstract要約: 本稿では,要件から有限状態機械を設計するための LLM ベースのフレームワークを提案する。 また、LSMが生成するFSMを修復するためのFSM変異とテスト生成に基づく専門家中心のアプローチを提案する。
• 参考スコア（独自算出の注目度）: 3.4410212782758047
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Finite state machines (FSM) are executable formal specifications of reactive systems. These machines are designed based on systems' requirements. The requirements are often recorded in textual documents written in natural languages. FSMs play a crucial role in different phases of the model-driven system engineering (MDE). For example, they serve to automate testing activities. FSM quality is critical: the lower the quality of FSM, the higher the number of faults surviving the testing phase and the higher the risk of failure of the systems in production, which could lead to catastrophic scenarios. Therefore, this paper leverages recent advances in the domain of LLM to propose an LLM-based framework for designing FSMs from requirements. The framework also suggests an expert-centric approach based on FSM mutation and test generation for repairing the FSMs produced by LLMs. This paper also provides an experimental analysis and evaluation of LLM's capacities in performing the tasks presented in the framework and FSM repair via various methods. The paper presents experimental results with simulated data. These results and methods bring a new analysis and vision of LLMs that are useful for further development of machine learning technology and its applications to MDE.
• Abstract（参考訳）: 有限状態マシン(FSM)は、リアクティブシステムの実行可能な形式仕様である。 これらの機械はシステムの要求に基づいて設計されている。 これらの要件は、しばしば自然言語で書かれた文書に記録される。 FSMはモデル駆動システムエンジニアリング(MDE)の様々なフェーズにおいて重要な役割を果たす。 例えば、テストアクティビティの自動化に役立ちます。 FSMの品質は重要であり、FSMの品質が低下し、テストフェーズが存続する障害の数が増え、本番環境でのシステム障害のリスクが高くなり、破滅的なシナリオにつながる可能性がある。 そこで本研究では,LCMの領域における最近の進歩を活用し,要件からFSMを設計するためのLCMベースのフレームワークを提案する。 このフレームワークはまた、LSMによって生成されたFSMを修復するためのFSM変異とテスト生成に基づくエキスパート中心のアプローチを提案する。 また,フレームワークに提示されたタスクの実行におけるLCMの能力と各種手法によるFSM修復に関する実験的解析と評価を行った。 シミュレーションデータを用いて実験結果を示す。 これらの結果と手法は、機械学習技術のさらなる発展とMDEへの応用に役立つLCMの新しい分析とビジョンをもたらす。

関連論文リスト

• LLM-FSM: Scaling Large Language Models for Finite-State Reasoning in RTL Code Generation [3.4714122723537333]
  LLM-FSMは,大規模言語モデル (LLM) が有限状態マシン (FSM) の動作をどの程度回復できるかを評価するベンチマークである。 手動で構築された例に依存する以前の仕様-RTLベンチマークとは異なり、LLM-FSMは完全に自動化されたパイプラインで構築されている。
  論文  参考訳（メタデータ） (2026-02-03T04:48:26Z)
• AutoFSM: A Multi-agent Framework for FSM Code Generation with IR and SystemC-Based Testing [2.5793366206387827]
  本稿では,有限状態機械(FSM)コード生成タスクのための協調的フレームワークであるAutoFSMを提案する。 AutoFSMは、コード生成時の構文エラー率を低減するために、構造的に明確な中間表現(IR)を導入している。 SystemCベースのモデリングと自動テストベンチ生成を統合するのはこれが初めてである。
  論文  参考訳（メタデータ） (2025-12-12T09:15:46Z)
• CFD-copilot: leveraging domain-adapted large language model and model context protocol to enhance simulation automation [6.71937346130764]
  CFD-copilotは、セットアップから後処理までの自然言語駆動CFDシミュレーションを容易にするために設計されたフレームワークである。 後処理では、外部ツールの実行からLCM推論を分離するオープンスタンダードであるMCP(Model context Protocol)を利用する。 この枠組みはNACA0012翼と3要素30P-30N翼を含むベンチマークで評価された。
  論文  参考訳（メタデータ） (2025-12-08T11:42:32Z)
• An Agentic Flow for Finite State Machine Extraction using Prompt Chaining [0.0]
  FlowFSMは、大規模言語モデル(LLM)を利用してRFC文書から正確な有限状態マシン(FSM)を抽出する新しいエージェントフレームワークである。 FlowFSMは、ハロゲン化遷移を最小化しながら高い抽出精度を実現し、有望な結果を示す。
  論文  参考訳（メタデータ） (2025-07-15T11:50:25Z)
• MAPS: Advancing Multi-Modal Reasoning in Expert-Level Physical Science [62.96434290874878]
  現在のMLLM(Multi-Modal Large Language Models)は、一般的な視覚的推論タスクにおいて強力な機能を示している。 我々は,MLLMに基づく物理知覚とシミュレーションによるマルチモーダル科学推論(MAPS)という新しいフレームワークを開発した。 MAPSは、専門家レベルのマルチモーダル推論タスクを物理的知覚モデル(PPM)を介して物理図理解に分解し、シミュレータを介して物理的知識で推論する。
  論文  参考訳（メタデータ） (2025-01-18T13:54:00Z)
• FVEval: Understanding Language Model Capabilities in Formal Verification of Digital Hardware [4.480157114854711]
  FVEvalは,形式的検証(FV)に関わるタスクにおいて,大規模言語モデル(LLM)のパフォーマンスを特徴付ける最初の総合ベンチマークである。 ベンチマークは3つのサブタスクで構成され、異なるレベルでLLM能力を測定する。 本稿では,FVに整合した合成例を生成するための,専門家による検証手法と手法のコレクションについて述べる。
  論文  参考訳（メタデータ） (2024-10-15T21:48:57Z)
• FOFO: A Benchmark to Evaluate LLMs' Format-Following Capability [70.84333325049123]
  FoFoは、大規模言語モデル(LLM)の複雑なドメイン固有のフォーマットに従う能力を評価するための先駆的なベンチマークである。 本稿では,大規模言語モデル(LLM)の複雑なドメイン固有フォーマットに従う能力を評価するための先駆的ベンチマークであるFoFoを提案する。
  論文  参考訳（メタデータ） (2024-02-28T19:23:27Z)
• Towards Generating Executable Metamorphic Relations Using Large Language Models [46.26208489175692]
  大規模言語モデル(LLM)を用いた要件から実行可能なMRを自動的に抽出する手法を提案する。 提案手法の有効性を評価するため,シーメンス・インダストリー・ソフトウェアと共同で質問紙調査を行った。
  論文  参考訳（メタデータ） (2024-01-30T13:52:47Z)
• Instruction Tuning for Large Language Models: A Survey [52.86322823501338]
  我々は、教師付き微調整(SFT)の一般的な方法論を含む、文献の体系的なレビューを行う。 また、既存の戦略の欠陥を指摘しながら、SFTの潜在的な落とし穴についても、それに対する批判とともに検討する。
  論文  参考訳（メタデータ） (2023-08-21T15:35:16Z)

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。