Fugu-MT 論文翻訳(概要): Design Structure Matrix Modularization with Large Language Models

論文の概要: Design Structure Matrix Modularization with Large Language Models

arxiv url: http://arxiv.org/abs/2604.28018v1
Date: Thu, 30 Apr 2026 15:38:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-01 16:31:54.1684
Title: Design Structure Matrix Modularization with Large Language Models
Title（参考訳）: 大規模言語モデルを用いた設計構造行列のモジュール化
Abstract要約: 設計構造マトリックス(DSM)のモジュール化は、エンジニアリング設計における根本的な課題である。従来の手法では、システムに埋め込まれたエンジニアリングコンテキストにアクセスすることなく、純粋なグラフ最適化としてモジュール化を扱う。本稿では,DSMシークエンシングのためのLCMに基づく最適化に関する先行研究について述べる。提案手法は,最適化コードを必要とすることなく,30回以内の参照品質を実現する。
参考スコア（独自算出の注目度）: 5.897012511455557
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Design Structure Matrix (DSM) modularization, the task of partitioning system elements into cohesive modules, is a fundamental combinatorial challenge in engineering design. Traditional methods treat modularization as a pure graph optimization, without access to the engineering context embedded in the system. Building on prior work on LLM-based combinatorial optimization for DSM sequencing, this paper extends the method to modularization across five cases and three backbone LLMs. Our method achieves near-reference quality within 30 iterations without requiring specialized optimization code. Counterintuitively, domain knowledge, beneficial in sequencing, consistently impairs performance on more complex DSMs. We attribute this to semantic misalignment between the LLM's functional priors and the purely structural optimization objective, and propose the semantic-alignment hypothesis as a testable condition governing knowledge effectiveness with LLMs. Ablation studies identify the most effective input representation, objective formulation, and solution pool design for practical deployment. These findings offer practical guidance for deploying LLMs in engineering design optimization.
Abstract（参考訳）: システム要素を凝集モジュールに分割するタスクである設計構造マトリックス(DSM)のモジュール化は、エンジニアリング設計における基本的な組み合わせの課題である。従来の手法では、システムに埋め込まれたエンジニアリングコンテキストにアクセスすることなく、純粋なグラフ最適化としてモジュール化を扱う。 DSMシークエンシングのためのLLMに基づく組合せ最適化に関する先行研究に基づいて,本論文は5ケースと3つのバックボーンLLMのモジュール化に拡張する。提案手法は,最適化コードを必要とすることなく,30回以内の参照品質を実現する。ドメイン知識は、シークエンシングにおいて有益であり、より複雑なDSMの性能を常に損なう。本研究は,LLMの機能的前提と純粋に構造的最適化目標とのセマンティック・アライメントの相違に起因し,LLMを用いた知識の有効性を検証可能な条件としてセマンティック・アライメント仮説を提案する。アブレーション研究は、実用的な配置のための最も効果的な入力表現、客観的な定式化、およびソリューションプール設計を特定する。これらの結果は,LLMをエンジニアリング設計最適化に展開するための実用的なガイダンスを提供する。

関連論文リスト

Closed-Loop LLM Discovery of Non-Standard Channel Priors in Vision Models [48.83701310501069]
大規模言語モデル(LLM)はニューラルアーキテクチャサーチ(NAS)に対する変換的アプローチを提供する我々は、LLMが性能テレメトリに基づいてアーキテクチャ仕様を洗練する条件付きコード生成タスクのシーケンスとして検索を定式化する。 AST(Abstract Syntax Tree)変異を用いて,有効かつ整合性のあるアーキテクチャの膨大なコーパスを生成する。 CIFAR-100の実験結果は、この手法の有効性を検証し、精度の統計的に有意な改善をもたらすことを示した。
論文参考訳（メタデータ） (2026-01-13T13:00:30Z)
LLMize: A Framework for Large Language Model-Based Numerical Optimization [0.0]
大規模言語モデル(LLM)は、最近、従来の言語タスク以上の強力な推論能力を示している。本稿では,LLM駆動最適化を実現するオープンソースPythonフレームワークであるLLMizeを提案する。
論文参考訳（メタデータ） (2025-12-30T20:05:30Z)
SOCRATES: Simulation Optimization with Correlated Replicas and Adaptive Trajectory Evaluations [25.18297372152296]
SOCRATESは、調整されたSOアルゴリズムの設計を自動化する新しい2段階のプロシージャである。実システムのデジタルレプリカのアンサンブルは、ベースラインSOアルゴリズムのセットを評価するテストベッドとして使用される。 LLMはメタ最適化器として機能し、これらのアルゴリズムのパフォーマンストラジェクトリを分析して、最終的なハイブリッド最適化スケジュールを反復的に修正し構成する。
論文参考訳（メタデータ） (2025-11-01T19:57:38Z)
What Matters in LLM-Based Feature Extractor for Recommender? A Systematic Analysis of Prompts, Models, and Adaptation [14.788780469735242]
LLM-as-feature-extractorパイプラインを4つのモジュールに分解するモジュールフレームワークであるRecXploreを提案する。新しいテクニックを提案する代わりに、RecXploreは確立したメソッドを再検討し、整理し、各モジュールを分離して体系的な探索を可能にする。実験の結果、既存の技術から得られる最良の設計を組み合わせるだけで、NDCG@5が18.7%、HR@5が12.7%向上することがわかった。
論文参考訳（メタデータ） (2025-09-18T14:08:45Z)
LLM4CMO: Large Language Model-aided Algorithm Design for Constrained Multiobjective Optimization [54.35609820607923]
大規模言語モデル(LLM)は、アルゴリズム設計を支援する新しい機会を提供する。 LLM4CMOは,2つの人口構成をもつ2段階のフレームワークをベースとした新しいCMOEAである。 LLMは複雑な進化最適化アルゴリズムの開発において効率的な共同設計者として機能する。
論文参考訳（メタデータ） (2025-08-16T02:00:57Z)
Discrete Tokenization for Multimodal LLMs: A Comprehensive Survey [69.45421620616486]
本研究は、大規模言語モデル(LLM)用に設計された離散トークン化手法の最初の構造的分類と解析である。古典的および近代的なパラダイムにまたがる8つの代表的なVQ変種を分類し、アルゴリズムの原理を分析し、力学を訓練し、LLMパイプラインとの統合に挑戦する。コードブックの崩壊、不安定な勾配推定、モダリティ固有の符号化制約など、重要な課題を特定する。
論文参考訳（メタデータ） (2025-07-21T10:52:14Z)
Large Language Models for Combinatorial Optimization of Design Structure Matrix [8.702426326610555]
複雑なエンジニアリングシステムでは、コンポーネントや開発活動間の依存関係は、しばしば設計構造マトリックス(DSM)を用いてモデル化され分析される。フィードバックループを最小限に抑え、モジュール性やプロセス効率を向上させるためにDSM内の要素を再編成することは、エンジニアリング設計と運用において困難な最適化問題となっている。本稿では,DSMシークエンシングの反復的最適化のために,ネットワークトポロジとコンテキストドメイン知識を統合した新しいフレームワークを提案する。
論文参考訳（メタデータ） (2025-06-11T13:53:35Z)
Leveraging Importance Sampling to Detach Alignment Modules from Large Language Models [48.15777554876988]
伝統的なアライメント手法では、しばしば大きな事前訓練されたモデルを再訓練する必要がある。本稿では,アライメント処理を重要サンプリングの一種として形式化する新しいtextitResidual Alignment Model (textitRAM) を提案する。本稿では,トークンレベルの復号化を反復的に行う再サンプリングアルゴリズムを開発した。
論文参考訳（メタデータ） (2025-05-26T08:53:02Z)
Can Large Language Models Be Trusted as Evolutionary Optimizers for Network-Structured Combinatorial Problems? [8.431866560904753]
大規模言語モデル(LLM)は、言語理解とさまざまなドメイン間の推論において強力な能力を示している。本研究では,問題構造に係わるLLMの能力を評価するための体系的枠組みを提案する。我々は、よく使われる進化的手法(EVO)を採用し、LLM演算子の出力忠実度を厳格に評価する包括的評価フレームワークを提案する。
論文参考訳（メタデータ） (2025-01-25T05:19:19Z)
Revisiting Zeroth-Order Optimization for Memory-Efficient LLM Fine-Tuning: A Benchmark [166.40879020706151]
本稿では、微調整時のメモリコスト低減のためのソリューションとして、BPフリーゼロオーダー最適化(ZO)への移行を提案する。従来のZO-SGD法とは異なり、我々の研究はより広い範囲のZO最適化手法に探索を広げる。本研究は,タスクアライメントの重要性,前方勾配法の役割,アルゴリズムの複雑さと微調整性能のバランスについて,これまで見過ごされてきた最適化原理を明らかにした。
論文参考訳（メタデータ） (2024-02-18T14:08:48Z)
Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
論文参考訳（メタデータ） (2020-12-10T03:24:53Z)

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。