論文の概要: Physics-Grounded Multi-Agent Architecture for Traceable, Risk-Aware Human-AI Decision Support in Manufacturing
- arxiv url: http://arxiv.org/abs/2605.04003v1
- Date: Tue, 05 May 2026 17:24:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-06 19:35:44.060892
- Title: Physics-Grounded Multi-Agent Architecture for Traceable, Risk-Aware Human-AI Decision Support in Manufacturing
- Title（参考訳）: 製造におけるトレーサビリティ・リスクを考慮したヒューマンAI意思決定支援のための物理グラウンドマルチエージェントアーキテクチャ
- Authors: Danny Hoang, Ryan Matthiessen, Christopher Miller, Nasir Mannan, Ruby ElKharboutly, David Gorsich, Matthew P. Castanier, Farhad Imani,
- Abstract要約: 自由形航空宇宙部品の高精度CNC加工には, 検査, シミュレーション, プロセス知識による補償が必要である。
本稿では,マルチエージェント・ナレッジ・アナリティクス(Maka)を提案する。
MAKAは、人間の承認のために推奨される前に、物理的な妥当性、安全性の限界、完全性を強制する。
- 参考スコア（独自算出の注目度）: 1.2090375982772545
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-precision CNC machining of free-form aerospace components requires bounded compensations informed by inspection, simulation, and process knowledge. Off-the-shelf large language model (LLM) assistants can generate text, but they do not reliably execute risk-constrained multi-step numerical workflows or provide auditable provenance for high-stakes decisions. We present multi-agent knowledge analysis (MAKA), a human-in-the-loop decision-support architecture that separates intent routing, tools-only quantitative analysis, knowledge graph retrieval, and critic-based verification that enforces physical plausibility, safety bounds, and provenance completeness before recommendations are surfaced for human approval. MAKA is instantiated on a Ti-6Al-4V rotor blade machining testbed by fusing virtual-machining path-tracking error fields, cutting-force and deflection simulations, and scan-based 3D inspection deviation maps from 16 blades. The analysis decomposes deviation into an evidence-linked pathing component, a drift-based wear proxy capturing systematic evolution across parts, a residual systematic compliance term, and a variability proxy for instability-aware escalation. In a three-level tool-orchestration benchmark (single-step through $\geq$3-step stateful sequences), MAKA improves successful tool execution by up to 87.5 percentage points relative to an unstructured single-model interaction pattern with identical tool access. Digital twin what-if studies show MAKA can coordinate traceable compensation candidates that reduce predicted surface deviation from order $10^{-2}$in to approximately $\pm 10^{-3}$in over most of the blade within the simulation environment, providing a pre-deployment verification signal for risk-aware human decision-making.
- Abstract（参考訳）: 自由形航空宇宙部品の高精度CNC加工には, 検査, シミュレーション, プロセス知識による補償が必要である。
オフザシェルフ大言語モデル(LLM)アシスタントはテキストを生成することができるが、リスクに制約のある複数ステップの数値ワークフローを確実に実行したり、ハイテイク決定のための監査可能な証明を提供することはない。
提案するマルチエージェント・ナレッジ・アナリティクス(Maka)は,意図的ルーティング,ツールのみの定量的分析,知識グラフ検索,批判に基づく検証を分離する。
仮想加工経路追尾誤差場、切削力および偏向シミュレーション、および16個のブレードからのスキャンベースの3D検査偏差マップを融合させることにより、Ti-6Al-4Vローターブレードの試験台上でMAKAをインスタンス化する。
この分析は、エビデンスリンクされた経路成分、部品間の系統的な進化をキャプチャするドリフトベースの摩耗プロキシ、残留的な系統的コンプライアンス項、不安定を意識したエスカレーションのための可変性プロキシに偏りを分解する。
3段階のツールオーケストレーションベンチマーク(シングルステップから$\geq$3ステップのステートフルシーケンス)では、MAKAは、同じツールアクセスを持つ非構造化シングルモデルインタラクションパターンと比較して、最大87.5ポイントのツール実行を改善する。
デジタルツイン・オブ・ファイン研究は、MAKAが予測表面偏差を10^{-2}$inから約$\pm 10^{-3}$inに減少させるトレース可能な補償候補をシミュレーション環境内のブレードのほとんどで調整できることを示し、リスクを意識した人間の意思決定のための事前デプロイ検証信号を提供する。
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) - From Perception to Autonomous Computational Modeling: A Multi-Agent Approach [0.0]
本稿では,協調型大言語モデル(LLM)エージェントが完全計算力学ワークフローを自律的に実行する,解法に依存しないフレームワークを提案する。
エージェントは、パイプライン層間の条件付きイテレーションを導入する品質ゲートを備えた共有コンテキスト空間上の条件付き演算子として形式化される。
論文 参考訳（メタデータ） (2026-04-08T07:56:34Z) - Claw-Eval: Toward Trustworthy Evaluation of Autonomous Agents [66.97968363332465]
エージェントベンチマークの3つのギャップに対処するエンドツーエンド評価スイートであるClaw-Evalを紹介した。
Claw-Evalは3つのグループにまたがる9つのカテゴリにまたがる300の人間検証タスクで構成されている。
すべてのエージェントアクションは、3つの独立したエビデンスチャネルを通じて記録される。
論文 参考訳（メタデータ） (2026-04-07T17:43:18Z) - Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:48:54Z) - A Blueprint for Self-Evolving Coding Agents in Vehicle Aerodynamic Drag Prediction [9.020568132598827]
本稿では, 産業制約下でのドラッグ係数$C_d$を予測するために, 実行可能サロゲートパイプラインを検出する自己進化型符号化エージェントの契約中心の青写真を提案する。
この方法は、静的モデルインスタンスではなく、プログラム上の制約付き最適化としてサロゲート発見を定式化する。
厳しい評価契約は、任意の候補が承認される前に、漏洩防止、決定論的リプレイ、マルチシード、ロバスト性、資源予算を強制する。
論文 参考訳（メタデータ） (2026-03-23T08:36:57Z) - Metacognitive Self-Correction for Multi-Agent System via Prototype-Guided Next-Execution Reconstruction [58.51530390018909]
大規模言語モデルに基づくマルチエージェントシステムは、協調的な問題解決において優れているが、エラーのカスケードには脆弱である。
我々は,MASにリアルタイム,教師なし,ステップレベルの誤り検出と自己補正を付与するメタ認知フレームワークMASCを提案する。
論文 参考訳（メタデータ） (2025-10-16T05:35:37Z) - Adaptive Monitoring and Real-World Evaluation of Agentic AI Systems [3.215065407261898]
大規模言語モデルと外部ツールを組み合わせたマルチエージェントシステムは、研究機関からハイテイクドメインへと急速に移行している。
この「先進的な」続編は、アルゴリズムのインスタンス化や経験的な証拠を提供することで、そのギャップを埋める。
AMDMは擬似ゴールドリフトで異常検出遅延を12.3秒から5.6秒に減らし、偽陽性率を4.5%から0.9%に下げる。
論文 参考訳（メタデータ） (2025-08-28T15:52:49Z) - MCP-Orchestrated Multi-Agent System for Automated Disinformation Detection [84.75972919995398]
本稿では,関係抽出を用いてニュース記事の偽情報を検出するマルチエージェントシステムを提案する。
提案したエージェントAIシステムは、(i)機械学習エージェント(ロジスティック回帰)、(ii)Wikipedia知識チェックエージェント、(iv)Webスクラッドデータアナライザの4つのエージェントを組み合わせる。
その結果、マルチエージェントアンサンブルはF1スコア0.964で95.3%の精度を達成し、個々のエージェントや従来のアプローチよりも大幅に優れていた。
論文 参考訳（メタデータ） (2025-08-13T19:14:48Z) - Nonintrusive Uncertainty Quantification for automotive crash problems
with VPS/Pamcrash [0.0]
サロゲートモデル(メタモデル)はモンテカルロプロセスの計算コストを劇的に削減できる。
カーネル主成分分析(kPCA)はモデル結果記述の簡略化に有効である。
ベンチマーククラッシュテストは、メタモデルとkPCAを組み合わせる効率を示すために使用される。
論文 参考訳（メタデータ） (2021-02-15T16:59:39Z)
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。