論文の概要: LLM-ADAM: A Generalizable LLM Agent Framework for Pre-Print Anomaly Detection in Additive Manufacturing

• arxiv url: http://arxiv.org/abs/2605.03328v1
• Date: Tue, 05 May 2026 03:38:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.749585
• Title: LLM-ADAM: A Generalizable LLM Agent Framework for Pre-Print Anomaly Detection in Additive Manufacturing
• Title（参考訳）: LLM-ADAM: 付加製造におけるプリプリント異常検出のための一般化可能なLLMエージェントフレームワーク
• Authors: Ahmadreza Eslaminia, Chuhan Cai, Cameron Smith, Ruo-Syuan Mei, Shichen Li, Rajiv Malhotra, Klara Nahrstedt, Chenhui Shao,
• Abstract要約: 本稿では,LLM-ADAMをアダプティブ・マニュファクチャリングにおける事前印刷異常検出のための一般化可能なフレームワークとして提案する。 我々は,N=200 FFF G-code コーパスを2つのデスクトッププリンタファミリ,2つの材料および5つのクラスに分散し,非欠陥,非押出,過剰押出,ワープ,ストリングを含むフレームワークの評価を行った。
• 参考スコア（独自算出の注目度）: 7.562017521889065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Additive manufacturing (AM) continues to transform modern manufacturing by enabling flexible, on-demand production of complex geometries across diverse industries. Fused filament fabrication (FFF) has extended AM to laboratories, classrooms, and small production environments, but this accessibility shifts process-planning responsibility to users who may lack manufacturing expertise. A syntactically valid slicer profile can still encode thermally or geometrically harmful settings, and subtle G-code edits can alter extrusion, cooling, or adhesion before a print begins. Pre-print G-code screening catches accidental or adversarial machine-program errors before material or machine time is wasted. This paper proposes LLM-ADAM as a generalizable LLM framework for pre-print anomaly detection in AM. The framework decomposes the task into three roles: Extractor-LLM maps a G-code file to a structured process-parameter schema; Reference-LLM converts printer and material documentation into aligned operating ranges; and Judge-LLM interprets a deterministic deviation table and G-code evidence to decide whether a part is non-defective or belongs to an anomaly class. Printers, materials, and LLM backbones are interchangeable test conditions, not fixed assumptions. We evaluate the framework on an N=200 FFF G-code corpus spanning two desktop printer families, two materials, and five classes including non-defective, under-extrusion, over-extrusion, warping, and stringing. The best framework configuration reaches 87.5% accuracy, compared with 59.5% for the strongest engineered single-LLM baseline. The results show that structured decomposition, rather than backbone strength alone, is the dominant source of improvement, with defect classes identified at or near ceiling for leading configurations while residual errors concentrate on conservative false alarms for non-defective samples.
• Abstract（参考訳）: アダプティブ・マニュファクチャリング(AM)は、様々な産業にまたがる複雑なジオメトリーの柔軟なオンデマンド生産を可能にすることで、現代の製造業を変革し続けている。 フューズドフィラメント製造(FFF)は、AMを研究室、教室、小規模生産環境にまで拡張してきたが、このアクセシビリティーは、製造の専門知識に欠ける可能性のあるユーザーにプロセス計画責任をシフトさせる。 構文的に有効なスライサプロファイルは、熱的または幾何学的に有害な設定をコード化でき、微妙なGコード編集は、印刷開始前に押出、冷却、接着を変えることができる。 プリプリントGコードスクリーニングは、材料やマシンタイムが無駄になる前に、偶然または逆のマシンプログラムエラーをキャッチする。 本稿では,AM における事前印刷異常検出のための LLM-ADAM を一般化可能な LLM フレームワークとして提案する。 Extractor-LLMはGコードファイルを構造化プロセスパラメータスキーマにマッピングし、Reference-LLMはプリンタと資料のドキュメントを整列操作範囲に変換する。 プリンタ、材料、LLMバックボーンは、固定された仮定ではなく、交換可能なテスト条件である。 我々は,N=200 FFF G-code コーパスを2つのデスクトッププリンタファミリ,2つの材料および5つのクラスに分散し,非欠陥,非押出,過剰押出,ワープ,ストリングを含むフレームワークの評価を行った。 最高のフレームワーク構成は87.5%に達し、最強のエンジニアによるシングルLLMベースラインでは59.5%である。 その結果, 背骨強度のみではなく, 構造的分解が改良の主要因であり, 非欠陥試料の保存的誤報に残差が集中しているのに対して, 天井付近や天井付近では欠陥クラスが同定された。

関連論文リスト

• LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
  大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。 CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
  論文  参考訳（メタデータ） (2026-05-02T11:31:33Z)
• RAVEL: Reasoning Agents for Validating and Evaluating LLM Text Synthesis [78.32151470154422]
  テスト担当者が自律的に設計し、典型的な合成操作を実行できるようにするためのエージェントフレームワークであるRAVELを紹介する。 C3EBenchは、プロの人間の文章から1,258個のサンプルを抽出したベンチマークである。 SOTA LLMを演算子としてRAVELを増強することにより、そのようなエージェントテキスト合成はLLMの推論能力に支配されていることがわかった。
  論文  参考訳（メタデータ） (2026-02-28T14:47:34Z)
• Are LLMs Reliable Code Reviewers? Systematic Overcorrection in Requirement Conformance Judgement [8.059802912761919]
  我々は,大規模言語モデル(LLM)が自然言語要求にマッチするコードの体系的失敗を明らかにする。 より詳細なプロンプト設計、特に説明や修正提案を必要とするものは、より高い誤判定率をもたらす。 そこで本稿では,提案した修正を実効的証拠として扱う固定誘導検証フィルタを提案する。
  論文  参考訳（メタデータ） (2026-02-28T08:35:25Z)
• Automatic Building Code Review: A Case Study [6.530899637501737]
  建設担当者は、プロジェクトのサイズと複雑さが増大するにつれて、労働集約的で、エラーを起こし、コストがかかる設計文書のレビューに直面します。 本研究では,BIMに基づくデータ抽出と自動検証を統合したエージェント駆動型フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-03T00:30:14Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• D-LiFT: Improving LLM-based Decompiler Backend via Code Quality-driven Fine-tuning [49.16469288280772]
  逆コンパイラは、バイナリから可読なソースコードを再構築する。 近年の進歩にもかかわらず、そのアウトプットは構文上の誤りや意味的な誤りに悩まされ、読みにくいままである。 大規模言語モデル (LLMs) の出現により、研究者は逆コンパイラ出力を洗練するためのLLMの可能性を探り始めた。 D-LIFTは、微調整強化学習を施した拡張逆コンパイラLLMパイプラインである。
  論文  参考訳（メタデータ） (2025-06-11T19:09:08Z)
• LLM-3D Print: Large Language Models To Monitor and Control 3D Printing [10.595250438585209]
  産業4.0は、デジタル化を推進し、添加性製造(AM)へのパラダイムシフトによって製造に革命をもたらした。 重要なAM技術であるFDMは、層間押出による最小限の材料廃棄物による、高度にカスタマイズされたコスト効率の高い製品の作成を可能にする。 本稿では,3Dプリンタとともに学習済みのLarge Language Models(LLM)を利用して,印刷欠陥の検出と対処を行うプロセス監視・制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-26T14:38:19Z)
• Factcheck-Bench: Fine-Grained Evaluation Benchmark for Automatic Fact-checkers [121.53749383203792]
  本稿では,大規模言語モデル (LLM) 生成応答の事実性に注釈を付けるための総合的なエンドツーエンドソリューションを提案する。 オープンドメインの文書レベルの事実性ベンチマークを,クレーム,文,文書の3段階の粒度で構築する。 予備実験によると、FacTool、FactScore、Perplexityは虚偽の主張を識別するのに苦労している。
  論文  参考訳（メタデータ） (2023-11-15T14:41:57Z)

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。