論文の概要: TurboAgent: An LLM-Driven Autonomous Multi-Agent Framework for Turbomachinery Aerodynamic Design
- arxiv url: http://arxiv.org/abs/2604.06747v1
- Date: Wed, 08 Apr 2026 07:12:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-09 17:30:51.385657
- Title: TurboAgent: An LLM-Driven Autonomous Multi-Agent Framework for Turbomachinery Aerodynamic Design
- Title（参考訳）: ターボ機械空力設計のためのLLM駆動自律マルチエージェントフレームワークTurboAgent
- Authors: Juan Du, Yueteng Wu, Pan Zhao, Yuze Liu, Min Zhang, Xiaobin Xu, Xinglong Zhang,
- Abstract要約: TurboAgentは、大型言語モデル(LLM)によるターボ機械空力設計と最適化のための自律型マルチエージェントフレームワークである。
このフレームワークは、従来の試行錯誤設計をデータ駆動のコラボレーティブワークフローに変換する。
- 参考スコア（独自算出の注目度）: 13.755754877323348
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The aerodynamic design of turbomachinery is a complex and tightly coupled multi-stage process involving geometry generation, performance prediction, optimization, and high-fidelity physical validation. Existing intelligent design approaches typically focus on individual stages or rely on loosely coupled pipelines, making fully autonomous end-to-end design challenging.To address this issue, this study proposes TurboAgent, a large language model (LLM)-driven autonomous multi-agent framework for turbomachinery aerodynamic design and optimization. The LLM serves as the core for task planning and coordination, while specialized agents handle generative design, rapid performance prediction, multi-objective optimization, and physics-based validation. The framework transforms traditional trial-and-error design into a data-driven collaborative workflow, with high-fidelity simulations retained for final verification.A transonic single-rotor compressor is used for validation. The results show strong agreement between target performance, generated designs, and CFD simulations. The coefficients of determination (R2) for mass flow rate, total pressure ratio, and isentropic efficiency all exceed 0.91, with normalized RMSE values below 8%. The optimization agent further improves isentropic efficiency by 1.61% and total pressure ratio by 3.02%. The complete workflow can be executed within approximately 30 minutes under parallel computing. These results demonstrate that TurboAgent enables an autonomous closed-loop design process from natural language requirements to final design generation, providing an efficient and scalable paradigm for turbomachinery aerodynamic design
- Abstract（参考訳）: ターボ機械の空力設計は、幾何生成、性能予測、最適化、高忠実度物理検証を含む複雑で密結合した多段階プロセスである。
既存のインテリジェントな設計アプローチは一般に個々のステージにフォーカスするか、疎結合パイプラインに頼っているため、完全に自律的なエンドツーエンドの設計を困難にしている。この問題に対処するため、本研究では、ターボ機械空力設計と最適化のための大規模言語モデル(LLM)駆動の自律マルチエージェントフレームワークであるTurboAgentを提案する。
LLMはタスク計画と調整のコアとして機能し、特殊エージェントは生成設計、高速な性能予測、多目的最適化、物理ベースの検証を扱う。
このフレームワークは、従来の試行錯誤設計を、最終的な検証のために高忠実度シミュレーションを保ち、データ駆動の協調ワークフローに変換する。
その結果, 目標性能, 生成設計, CFDシミュレーションの間には強い一致が認められた。
質量流量, 全圧力比, 等エントロピー効率の判定係数(R2)はすべて0.91を超え, 正規化RMSE値は8%以下であった。
最適化剤は、等エントロピー効率を1.61%改善し、全圧力比を3.02%改善する。
完全なワークフローは、並列コンピューティングで約30分以内に実行できる。
これらの結果は、TurboAgentが自然言語要求から最終設計生成までの自律閉ループ設計プロセスを可能にし、ターボ機械空力設計の効率的かつスケーラブルなパラダイムを提供することを示した。
関連論文リスト
- Generalized Task-Driven Design of Soft Robots via Reduced-Order FEM-based Surrogate Modeling [8.36237361666539]
本稿では,タスク駆動型ソフトロボット設計のための一元化有限要素法(FEM)に基づく代理モデリングパイプラインを提案する。
高忠実FEMシミュレーションは、コンパクトなサロゲート継手モデルを構築するモジュラーレベルでのアクチュエータの挙動を特徴付ける。
メタモデルがアクチュエータ設計パラメータを代理表現にマップし、パラメータ化アクチュエータファミリ間の迅速なインスタンス化を可能にする。
論文 参考訳（メタデータ） (2026-03-20T09:33:09Z) - EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。
しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。
実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
論文 参考訳（メタデータ） (2026-01-29T11:33:49Z) - AgentMath: Empowering Mathematical Reasoning for Large Language Models via Tool-Augmented Agent [80.83250816918861]
o3やDeepSeek-R1のようなLarge Reasoning Models (LRM)は、長いチェーン・オブ・シークレットを持つ自然言語推論において顕著な進歩を遂げている。
しかし、計算的に非効率であり、複雑な数学的操作を必要とする問題を解く際には精度に苦しむ。
本稿では,言語モデルの推論能力とコードインタプリタの計算精度をシームレスに統合するエージェントフレームワークであるAgentMathを紹介する。
論文 参考訳（メタデータ） (2025-12-23T19:57:49Z) - Towards Efficient Agents: A Co-Design of Inference Architecture and System [66.59916327634639]
本稿では,エージェントアクセラレーションのための統合フレームワークであるAgentInferを提案する。
問題をAgentCollab、AgentSched、AgentSAM、AgentCompressの4つの相乗的コンポーネントに分解する。
BrowseComp-zhとDeepDiverベンチマークの実験では、これらの手法の相乗的コラボレーションを通じて、AgentInferは非効率なトークン消費を50%以上削減することを示した。
論文 参考訳（メタデータ） (2025-12-20T12:06:13Z) - Efficient-Husformer: Efficient Multimodal Transformer Hyperparameter Optimization for Stress and Cognitive Loads [0.0]
トランスフォーマーに基づくモデルは生理的信号解析の分野で大きな注目を集めている。
時間的信号の長距離依存性や複雑なパターンを活用することで、従来のRNNやCNNモデルよりも優れたパフォーマンスを実現することができる。
マルチクラスストレス検出のためのトランスフォーマーベースアーキテクチャであるEfficient-Husformerを提案する。
論文 参考訳（メタデータ） (2025-11-27T12:02:25Z) - HeaRT: A Hierarchical Circuit Reasoning Tree-Based Agentic Framework for AMS Design Optimization [13.18012004667103]
HeaRTは自動化ループの基本的な推論エンジンであり、インテリジェントで適応的でヒューマンスタイルの設計最適化に向けた第一歩である。
HeaRTは、40サイクルのベンチマークリポジトリで、推論精度97%、Pass@1のパフォーマンス98%を一貫して示しています。
実験の結果,HeaRTはサイズおよびトポロジー設計適応タスクにおいて3倍の収束性が得られることがわかった。
論文 参考訳（メタデータ） (2025-11-24T20:11:06Z) - A Multidisciplinary Design and Optimization (MDO) Agent Driven by Large Language Models [7.509742996975501]
大規模言語モデル(LLM)によって駆動されるマルチディシプリナ・デザイン・最適化(MDO)エージェントを提案する。
エージェントは、(i)自然言語駆動パラメトリックモデリング、(ii)知識基底概念化のための検索拡張生成(RAG)、(iii)パフォーマンス検証と最適化のためのエンジニアリングソフトウェアのインテリジェントなオーケストレーションという3つのコア機能を編成することで、エンドツーエンドのワークフローを半自動化する。
論文 参考訳（メタデータ） (2025-10-06T01:26:55Z) - Physics-Constrained Generative Artificial Intelligence for Rapid Takeoff Trajectory Design [0.0]
本研究は,eVTOL航空機の離陸制御プロファイルをインテリジェントにパラメータ化するための物理制約付き生成対向ネットワーク (physicsGAN) を提案する。
物理学GANは、すべての制約を満たす設計の98.9%で、実現可能な空間におけるパワーとウィング角度の可能な制御プロファイルのみを生成した。
文献レビューによると、サロゲートモデルによって実現された物理学に制約のある生成人工知能は、これが初めてである。
論文 参考訳（メタデータ） (2025-01-07T00:15:04Z) - PearSAN: A Machine Learning Method for Inverse Design using Pearson Correlated Surrogate Annealing [66.27103948750306]
PearSANは、大きな設計空間を持つ逆設計問題に適用可能な機械学習支援最適化アルゴリズムである。
ピアソン相関代理モデルを用いて、真の設計計量のメリットの図形を予測する。
最先端の最大設計効率は97%で、少なくとも以前の方法よりも桁違いに高速である。
論文 参考訳（メタデータ） (2024-12-26T17:02:19Z) - Data-Driven Offline Optimization For Architecting Hardware Accelerators [89.68870139177785]
PRIMEと呼ばれるハードウェアアクセラレータを設計するための,データ駆動型オフライン最適化手法を開発した。
PRIMEは、最先端のシミュレーション駆動方式の性能を約1.54倍と1.20倍に改善し、必要な総シミュレーション時間をそれぞれ93%と99%削減する。
さらにPRIMEは、ゼロショット設定で見えないアプリケーションのための効果的なアクセラレーターを設計し、シミュレーションベースの手法を1.26倍に向上させた。
論文 参考訳（メタデータ） (2021-10-20T17:06:09Z)
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。