論文の概要: LLM-driven design of physics-constrained constitutive models: two agents are better than one

• arxiv url: http://arxiv.org/abs/2605.23754v1
• Date: Fri, 22 May 2026 15:27:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.412504
• Title: LLM-driven design of physics-constrained constitutive models: two agents are better than one
• Title（参考訳）: 物理制約構成モデルのLLM駆動設計:2つのエージェントは1より優れている
• Authors: Marius Tacke, Matthias Busch, Kian Abdolazizi, Jonas Eichinger, Kevin Linka, Roland Aydin, Christian Cyron,
• Abstract要約: モデル生成のためのマルチエージェントLPM駆動型アプローチを初めて導入する。 作成エージェントがデータに合わせたモデルを提案し、インスペクタエージェントが9つの物理的制約に対して各提案を監査する。 この概念を、人工ニューラルネットワーク(CANN)で実証し、脳組織、実験ゴム、合成ゴムでベンチマークする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Developing constitutive models that capture how materials deform under load traditionally requires years of specialized expertise in continuum mechanics, machine learning, and scientific programming. Large language models (LLMs) have recently been shown to lower this barrier by generating constitutive models on demand, but existing single-agent pipelines lack systematic checks that the resulting models respect fundamental physical laws. To close this gap, we introduce the first multi-agent LLM-driven approach for constitutive model generation: a Creator agent proposes a model tailored to the data, while an Inspector agent critically audits each proposal against nine physical constraints and returns it for refinement whenever a violation is detected. We demonstrate this concept with constitutive artificial neural networks (CANNs) and benchmark it on brain tissue, experimental rubber, and synthetic rubber, using two different LLM backbones (Claude Opus 4.7 and Kimi K2.5). Adding the Inspector raises the share of exported models that truly satisfy all physical constraints from 91% to a perfect 100% for Opus and from 37% to 56% for Kimi, while preserving near-baseline accuracy and remarkable generalization to unseen loading paths. In combination, the generated models are physically valid, highly accurate, and extrapolate reliably beyond the training data - properties that together make them directly usable in practice. Separating generation from inspection thus turns LLM-driven constitutive modeling into a genuinely trustworthy process. The paradigm is deliberately technique-agnostic and scales automatically with advances in LLM capability, opening a promising path toward automated, physics-aware model discovery.
• Abstract（参考訳）: 伝統的に負荷下での材料変形を捉える構成モデルの開発には、連続体力学、機械学習、科学プログラミングの専門知識が何年も必要である。 大規模言語モデル(LLM)は近年、需要に応じて構成モデルを生成することでこの障壁を低くすることが示されているが、既存の単一エージェントパイプラインでは、結果として得られるモデルが基本的な物理法則を尊重する体系的なチェックが欠如している。 このギャップを埋めるために、我々は、構成モデル生成のための最初のマルチエージェントLCM駆動アプローチを導入する:クリエーターエージェントがデータに適合したモデルを提案し、インスペクターエージェントは、各提案を9つの物理的制約に対して批判的に監査し、違反が検出されたときに修正のために返却する。 我々は、この概念を構成型人工ニューラルネットワーク(CANN)で実証し、2つの異なるLCMバックボーン(Claude Opus 4.7 と Kimi K2.5)を用いて、脳組織、実験ゴム、合成ゴムにベンチマークした。 インスペクタの追加は、すべての物理的制約を本当に満たす輸出モデルのシェアを91%から100%に、そして37%から56%に引き上げる一方で、ほぼベースラインの精度を保ち、予期せぬロードパスへの顕著な一般化を保っている。 組み合わせることで、生成されたモデルは物理的に有効で、非常に正確で、トレーニングデータを超えて確実に外挿されます。 検査から生成を分離することで、LCM駆動構成モデリングは真に信頼できるプロセスへと変換される。 このパラダイムは意図的に技術に依存しず、LLM能力の進歩とともに自動的にスケールし、自動化された物理学的なモデル発見への有望な道を開く。

関連論文リスト

• Automating High Energy Physics Data Analysis with LLM-Powered Agents [6.8676809101926075]
  本稿では,大規模言語モデル (LLM) エージェントを用いた代表的高エネルギー物理学 (HEP) 解析の自動化を実証する。 ヒッグス粒子二光子断面積測定をATLAS Open Dataのケーススタディとして用いて,LLMベースのスーパーバイザコーダエージェントとSnakemakeワークフローマネージャを組み合わせたハイブリッドシステムを構築した。 このアーキテクチャでは、ワークフローマネージャは決定性を強制し、エージェントはユーザーの指示に応じて分析コードを自動生成し、実行し、反復的に修正する。
  論文  参考訳（メタデータ） (2025-12-08T18:13:13Z)
• Automating modeling in mechanics: LLMs as designers of physics-constrained neural networks for constitutive modeling of materials [0.0]
  大規模言語モデル(LLM)ベースのエージェントフレームワークは、タスク固有のエージェントを動的に生成するパラダイムをますます採用している。 我々は、エージェントだけでなく、科学や工学のタスクのための特殊なソフトウェアモジュールもオンデマンドで生成できることを示唆している。
  論文  参考訳（メタデータ） (2025-12-01T14:42:22Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
  Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。 EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
  論文  参考訳（メタデータ） (2024-05-23T05:25:45Z)
• Dataless Knowledge Fusion by Merging Weights of Language Models [47.432215933099016]
  微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。 これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。 パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
  論文  参考訳（メタデータ） (2022-12-19T20:46:43Z)
• METRO: Efficient Denoising Pretraining of Large Scale Autoencoding Language Models with Model Generated Signals [151.3601429216877]
  本稿では,補助モデルにより生成された学習信号を用いて,大規模自動符号化言語モデルの事前学習を行う。 我々は「モデル生成dEnoising TRaining Objective」(METRO)というレシピを提案する。 結果、最大54億のパラメータからなるMETRO-LMは、GLUE、SuperGLUE、SQuADベンチマークで新しい最先端を実現する。
  論文  参考訳（メタデータ） (2022-04-13T21:39:15Z)
• Learning physics-informed simulation models for soft robotic manipulation: A case study with dielectric elastomer actuators [21.349079159359746]
  柔らかいアクチュエータは、緩やかな握りや器用な動きといったロボット作業に対して安全かつ適応的なアプローチを提供する。 このようなシステムを制御するための正確なモデルを作成することは、変形可能な物質の複雑な物理のために困難である。 本稿では,微分可能シミュレータと有限要素法の利点を組み合わせたフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-25T21:15:05Z)

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。