論文の概要: AutoSurrogate: An LLM-Driven Multi-Agent Framework for Autonomous Construction of Deep Learning Surrogate Models in Subsurface Flow

• arxiv url: http://arxiv.org/abs/2604.11945v1
• Date: Mon, 13 Apr 2026 18:36:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.063218
• Title: AutoSurrogate: An LLM-Driven Multi-Agent Framework for Autonomous Construction of Deep Learning Surrogate Models in Subsurface Flow
• Title（参考訳）: AutoSurrogate: 地下流れにおける深層学習サロゲートモデルの自動構築のためのLLM駆動マルチエージェントフレームワーク
• Authors: Jiale Liu, Nanzhe Wang,
• Abstract要約: AutoSurrogateは、地下フロー問題のためのディープラーニングサロゲートを構築するための多エージェントフレームワークである。 機械学習の専門知識のない実践者は、自然言語で高品質なサロゲートを構築できる。 我々は,3次元炭素貯蔵モデリングタスクにおけるAutoSurrogateの有用性を実証し,透水性場を圧力にマッピングし,31回以上の飽和場をCO$$で提供する。
• 参考スコア（独自算出の注目度）: 5.022047193471448
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-fidelity numerical simulation of subsurface flow is computationally intensive, especially for many-query tasks such as uncertainty quantification and data assimilation. Deep learning (DL) surrogates can significantly accelerate forward simulations, yet constructing them requires substantial machine learning (ML) expertise - from architecture design to hyperparameter tuning - that most domain scientists do not possess. Furthermore, the process is predominantly manual and relies heavily on heuristic choices. This expertise gap remains a key barrier to the broader adoption of DL surrogate techniques. For this reason, we present AutoSurrogate, a large-language-model-driven multi-agent framework that enables practitioners without ML expertise to build high-quality surrogates for subsurface flow problems through natural-language instructions. Given simulation data and optional preferences, four specialized agents collaboratively execute data profiling, architecture selection from a model zoo, Bayesian hyperparameter optimization, model training, and quality assessment against user-specified thresholds. The system also handles common failure modes autonomously, including restarting training with adjusted configurations when numerical instabilities occur and switching to alternative architectures when predictive accuracy falls short of targets. In our setting, a single natural-language sentence can be sufficient to produce a deployment-ready surrogate model, with minimum human intervention required at any intermediate stage. We demonstrate the utility of AutoSurrogate on a 3D geological carbon storage modeling task, mapping permeability fields to pressure and CO$_2$ saturation fields over 31 timesteps. Without any manual tuning, AutoSurrogate is able to outperform expert-designed baselines and domain-agnostic AutoML methods, demonstrating strong potential for practical deployment.
• Abstract（参考訳）: 特に不確かさの定量化やデータ同化のような多値なタスクでは、地下流れの高忠実度数値シミュレーションが計算に重きを置いている。 ディープラーニング(DL)サロゲートは、フォワードシミュレーションを著しく加速しますが、アーキテクチャ設計からハイパーパラメータチューニングまで、ほとんどのドメイン科学者が持っていないような、機械学習(ML)の専門知識が必要です。 さらに、このプロセスは主に手動であり、ヒューリスティックな選択に大きく依存している。 この専門知識のギャップは、DLサロゲート技術を広く採用する上で重要な障壁である。 そこで本稿では,MLの専門知識を持たない実践者が,自然言語命令による地下流れ問題に対する高品質なサロゲートを構築できる大規模言語モデル駆動型マルチエージェントフレームワークであるAutoSurrogateを提案する。 データプロファイリング、モデル動物園からのアーキテクチャ選択、ベイジアンハイパーパラメータ最適化、モデルトレーニング、ユーザ特定しきい値に対する品質評価。 また、数値的な不安定が発生すると、調整された構成でトレーニングを再開し、予測精度が目標に届かない場合には、代替アーキテクチャに切り替えるなど、一般的な障害モードを自律的に処理する。 我々の設定では、任意の中間段階において人間の介入が最小限で、デプロイ可能な代理モデルを生成するのに、1つの自然言語文で十分である。 我々は,3次元炭素貯蔵モデリングタスクにおけるAutoSurrogateの有用性を実証し,透水性場を圧力にマッピングし,31回以上の飽和場をCO$2$とすることを示した。 手動チューニングなしでは、AutoSurrogateは専門家が設計したベースラインやドメインに依存しないAutoMLメソッドよりも優れており、実用的なデプロイメントの強い可能性を示している。

関連論文リスト

• 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)
• Youtu-LLM: Unlocking the Native Agentic Potential for Lightweight Large Language Models [78.73992315826035]
  ネイティブエージェントインテリジェンスと高い計算効率を調和させる軽量言語モデルであるYoutu-LLMを紹介する。 Youtu-LLMは、スクラッチから体系的に推論と計画能力の育成まで事前訓練されている。
  論文  参考訳（メタデータ） (2025-12-31T04:25:11Z)
• 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)
• Large Multimodal Models-Empowered Task-Oriented Autonomous Communications: Design Methodology and Implementation Challenges [31.57528074626831]
  大規模言語モデル (LLM) と大規模マルチモーダルモデル (LMM) は前例のない突破口となった。 本稿では,LLM/LMMを用いたタスク指向の自律通信について述べる。 提案したLLM/LMM支援自律システムは,従来型および差別型深層学習(DL)モデルに基づく手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2025-10-23T15:08:58Z)
• Automating Data-Driven Modeling and Analysis for Engineering Applications using Large Language Model Agents [3.344730946122235]
  本稿では,Large Language Model (LLM) エージェントを用いてデータ駆動モデリングと分析を自動化する革新的なパイプラインを提案する。 協調エージェントを特徴とするマルチエージェントシステムと、Reasoning and Acting(ReAct)パラダイムに基づく単一エージェントシステムである。
  論文  参考訳（メタデータ） (2025-10-01T19:28:35Z)
• ToolACE-MT: Non-Autoregressive Generation for Agentic Multi-Turn Interaction [84.90394416593624]
  大規模言語モデル(LLM)によるエージェント的タスク解決には,多ターン・マルチステップインタラクションが必要である。 既存のシミュレーションベースのデータ生成手法は、複数のエージェント間のコストのかかる自己回帰的相互作用に大きく依存している。 本稿では,高品質なマルチターンエージェント対話を構築するための非自己回帰反復生成フレームワークであるToolACE-MTを提案する。
  論文  参考訳（メタデータ） (2025-08-18T07:38:23Z)
• AutoHete: An Automatic and Efficient Heterogeneous Training System for LLMs [68.99086112477565]
  トランスフォーマーベースの大規模言語モデル(LLM)は、シーケンスモデリングやテキスト生成において例外的な機能を示した。 既存の異種トレーニング手法は、トレーニング可能なモデルの規模を大幅に拡大するが、かなりの通信オーバーヘッドとCPUワークロードを導入している。 本稿では,シングルGPU環境とマルチGPU環境の両方に互換性のある,自動的で効率的なヘテロジニアストレーニングシステムであるAutoHeteを提案する。
  論文  参考訳（メタデータ） (2025-02-27T14:46:22Z)
• Efficient Domain Adaptation of Multimodal Embeddings using Constrastive Learning [0.08192907805418582]
  現在のアプローチでは、タスク固有の適応なしに事前訓練されたモデルを使用する際にサブパー結果を得るか、あるいは微調整のためにかなりの計算資源を必要とする。 本稿では,高コストな微調整処理を必要とせず,基礎的なマルチモーダルな埋め込みを下流タスクに適用するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-02-04T06:30:12Z)
• Reference Trustable Decoding: A Training-Free Augmentation Paradigm for Large Language Models [79.41139393080736]
  大規模言語モデル(LLM)は急速に進歩し、印象的な機能を示している。 In-Context Learning (ICL) など。 効率的なファインチューニング(PEFT)は、現在2つの主要な拡張方法である。 下流タスクへのLLM。 我々は、モデルが微調整なしで新しいタスクに迅速に適応できるパラダイムである参照信頼復号(RTD)を提案する。
  論文  参考訳（メタデータ） (2024-09-30T10:48:20Z)
• Application of an automated machine learning-genetic algorithm (AutoML-GA) coupled with computational fluid dynamics simulations for rapid engine design optimization [0.0]
  本研究は,内燃機関のサロゲート最適化のための自動アクティブラーニング手法であるAutoML-GAについて述べる。 遺伝的アルゴリズムを用いて、機械学習サロゲート表面上の設計最適点を特定する。 その結果,AutoML-GAはCFDシミュレーションの少ない精度で最適化できることがわかった。
  論文  参考訳（メタデータ） (2021-01-07T17:50:52Z)

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。