論文の概要: Plasma GraphRAG: Physics-Grounded Parameter Selection for Gyrokinetic Simulations
- arxiv url: http://arxiv.org/abs/2604.06279v1
- Date: Tue, 07 Apr 2026 10:04:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-09 17:30:51.145821
- Title: Plasma GraphRAG: Physics-Grounded Parameter Selection for Gyrokinetic Simulations
- Title（参考訳）: プラズマグラフラグ : 運動学シミュレーションのための物理領域パラメータ選択
- Abstract要約: Plasma GraphRAGは、Graph Retrieval-Augmented Generation(GraphRAG)と大規模言語モデル(LLM)を統合する新しいフレームワークである。
プラズマグラフRAGは、プラズマ文学からドメイン固有の知識グラフを構築することにより、LCMが正確なコンテキスト認識のレコメンデーションを生成することができる。
- 参考スコア（独自算出の注目度）: 8.263893588707221
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate parameter selection is fundamental to gyrokinetic plasma simulations, yet current practices rely heavily on manual literature reviews, leading to inefficiencies and inconsistencies. We introduce Plasma GraphRAG, a novel framework that integrates Graph Retrieval-Augmented Generation (GraphRAG) with large language models (LLMs) for automated, physics-grounded parameter range identification. By constructing a domain-specific knowledge graph from curated plasma literature and enabling structured retrieval over graph-anchored entities and relations, Plasma GraphRAG enables LLMs to generate accurate, context-aware recommendations. Extensive evaluations across five metrics, comprehensiveness, diversity, grounding, hallucination, and empowerment, demonstrate that Plasma GraphRAG outperforms vanilla RAG by over $10\%$ in overall quality and reduces hallucination rates by up to $25\%$. {Beyond enhancing simulation reliability, Plasma GraphRAG offers a methodology for accelerating scientific discovery across complex, data-rich domains.
- Abstract（参考訳）: 正確なパラメータ選択は、ジャイロキネティックプラズマシミュレーションの基本であるが、現在のプラクティスは手作業による文献レビューに大きく依存しており、非効率性と矛盾をもたらす。
我々は,グラフ検索・拡張生成(GraphRAG)と大規模言語モデル(LLM)を統合した新しいフレームワークであるPalmo GraphRAGを紹介した。
キュレートされたプラズマ文学からドメイン固有の知識グラフを構築し、グラフアンコールされたエンティティと関係を構造化した検索を可能にすることにより、Palm GraphRAGはLCMに正確なコンテキスト対応のレコメンデーションを生成することができる。
5つの指標(包括性、多様性、接地、幻覚、エンパワーメント)にわたる広範囲な評価は、プラズマグラフRAGがバニラRAGを10 %以上上回り、幻覚率を25 %以上低下させることを示した。
プラズマグラフRAGは、シミュレーションの信頼性の向上に加えて、複雑なデータ豊富な領域にわたる科学的発見を加速するための方法論を提供する。
関連論文リスト
- Enhancing LLMs for Graph Tasks via Graph-aware LoRA Generation [80.56829418752513]
言語モデル(LM)は、統一された入出力インタフェースを通じて柔軟に一般化し、最近のタスクにLMを適応させる試みを動機付けている。
本稿では,LMをグラフタスクに適用するための新しい重みレベル情報注入パラダイムを提案する。
本稿では,グラフ対応LoRA生成モデルであるGaRAについて紹介する。
論文 参考訳（メタデータ） (2026-06-21T10:40:33Z) - Beyond MMD: Evaluating Graph Generative Models with Geometric Deep Learning [0.0]
グラフ生成モデル(GGM)は、現実的なグラフを生成する問題に対する有望な解決策として登場した。
本稿では,MMD(Maximum Mean Discrepancy)の限界を克服するGGMの評価手法を提案する。
本稿では,グラフリカレントアテンションネットワーク(GRAN)とグラフジェネレーティブモデル(EDGE)の総合評価を行う。
論文 参考訳（メタデータ） (2025-12-16T09:51:44Z) - Graph Generation with Spectral Geodesic Flow Matching [16.805211005850094]
本稿では、スペクトル固有マップを用いて、入力グラフとターゲットグラフの両方を埋め込むためのフレームワークであるスペクトル測地フローマッチングを提案する。
次に、埋め込みとそれらの流れに沿った分布との測地的流れを定義し、出力グラフを生成する。
i)固有値を超える幾何学的構造をキャプチャし、(ii)多様なグラフを柔軟に生成し、(iii)効率よくスケールする。
論文 参考訳（メタデータ） (2025-10-02T19:49:05Z) - G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge [88.82814893945077]
大規模言語モデル(LLM)は複雑な推論において優れているが、静的かつ不完全なパラメトリック知識によって制限される。
最近のグラフ強化RAG (GraphRAG) は、このギャップを補足したグラフを構築し、LLMがそれらを推論できるようにする。
G-reasonerは、様々なグラフ構造化知識を推論するためにグラフと言語基盤モデルを統合した統合フレームワークである。
論文 参考訳（メタデータ） (2025-09-29T04:38:12Z) - Graph-R1: Towards Agentic GraphRAG Framework via End-to-end Reinforcement Learning [20.05893083101089]
Graph-R1は、エンドツーエンド強化学習(RL)によるエージェントGraphRAGフレームワークである
軽量な知識ハイパーグラフ構築、マルチターンエージェント環境相互作用としてのモデル検索を導入している。
標準RAGデータセットの実験では、Graph-R1は、精度、検索効率、生成品質を推算する従来のGraphRAGおよびRL強化RAGメソッドよりも優れていた。
論文 参考訳（メタデータ） (2025-07-29T15:01:26Z) - GFM-RAG: Graph Foundation Model for Retrieval Augmented Generation [83.72561905487447]
本稿では,新しいグラフ基盤モデル (GFM) である GFM-RAG について紹介する。
GFM-RAGは、複雑なクエリ-知識関係をキャプチャするグラフ構造を理由とする、革新的なグラフニューラルネットワークによって実現されている。
効率とニューラルスケーリング法則との整合性を維持しつつ、最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-02-03T07:04:29Z) - Generating Knowledge Graphs from Large Language Models: A Comparative Study of GPT-4, LLaMA 2, and BERT [0.0]
本稿では,大規模言語モデル(LLM)を利用してグラフRAGの知識グラフ(KG)を生成する手法を提案する。
精度,リコール,F1スコア,グラフ編集距離,セマンティック類似度などの指標を用いて,高品質なKGを生成する能力を評価する。
その結果,GPT-4はより優れた意味的忠実度と構造的精度を実現し,LLaMA 2は軽量でドメイン固有のグラフに優れており,BERTはエンティティ・リレーショナル・モデリングにおける課題に対する洞察を提供する。
論文 参考訳（メタデータ） (2024-12-10T11:05:26Z) - LEGO-GraphRAG: Modularizing Graph-based Retrieval-Augmented Generation for Design Space Exploration [28.531772644666663]
LEGO-GraphRAGは,GraphRAGワークフローのきめ細かい分解を可能にするモジュール型フレームワークである。
本フレームワークは,大規模実世界のグラフと多様なクエリセット上でのグラフRAGの総合的研究を促進する。
論文 参考訳（メタデータ） (2024-11-06T15:32:28Z) - LLM-Based Multi-Agent Systems are Scalable Graph Generative Models [73.28294528654885]
GraphAgent-Generator (GAG) は動的でテキスト対応のソーシャルグラフ生成のための新しいシミュレーションベースのフレームワークである。
GAGは、ゼロショットソーシャルグラフ生成のための時間ノードとエッジ生成プロセスをシミュレートする。
得られたグラフは7つの主要なマクロ的ネットワーク特性に付着し、微視的グラフ構造測定において11%の改善が達成される。
論文 参考訳（メタデータ） (2024-10-13T12:57:08Z) - Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。
また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。
本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
論文 参考訳（メタデータ） (2024-10-13T02:22:14Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。