論文の概要: A Multi-Agent System for IPMSM Design Optimization via an FEA-AI Hybrid Approach
- arxiv url: http://arxiv.org/abs/2606.09037v1
- Date: Mon, 08 Jun 2026 05:07:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 14:42:06.707291
- Title: A Multi-Agent System for IPMSM Design Optimization via an FEA-AI Hybrid Approach
- Title（参考訳）: FEA-AIハイブリッドアプローチによるIPMSM設計最適化のためのマルチエージェントシステム
- Authors: Jinseong Han, Sunwoong Yang, Namwoo Kang,
- Abstract要約: 内部永久磁石同期モータ (IPMSM) の設計は、競合する目的と多重物理制約のバランスを必要とする。
本稿では,構造化問題定義のための検索拡張生成(RAG)を統合したエンドツーエンドの自動IPMSM設計最適化フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 4.798313004706817
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Interior permanent magnet synchronous motor (IPMSM) design requires balancing conflicting objectives and multi-physics constraints, while modern optimization workflows face three bottlenecks: manual problem setup, high finite element analysis (FEA) cost, and unreliable surrogate-based search in sparse or out-of-distribution regions. To address these limitations, we propose an end-to-end automated IPMSM design optimization framework that integrates retrieval-augmented generation (RAG) for structured problem definition with an uncertainty-aware FEA-AI hybrid optimization pipeline. A Design agent, connected to a motor textbook through RAG, provides domain-knowledge-based options and engineering tips, and compiles an optimization card and a design-of-experiments plan for AI-model training. A Training agent automates electromagnetic FEA, records geometry-validation and solver-failure logs, analyzes failed geometries using ANOVA-based data analysis and LLM reasoning, and invokes a Design Sampling agent to redefine the design space and generate additional samples. An Optimization agent performs GA-based search with uncertainty-driven switching: low-uncertainty candidates are evaluated by AI-surrogate inference, whereas high-uncertainty and reliability-critical Pareto-front or top-K candidates are corrected by high-fidelity FEA and reused for iterative retraining. The framework converts manual, experience-dependent configuration into a reproducible workflow that balances computational cost and prediction reliability. Experimental results under a matched high-fidelity FEA budget show that the proposed hybrid approach achieves better objective performance while maintaining low and further reducible predictive uncertainty, outperforming FEA-only search, which is limited by early budget exhaustion, and AI-only search, which converges to a low-confidence optimum.
- Abstract（参考訳）: 内部永久磁石同期モータ (IPMSM) の設計には、競合する目的と複数物理の制約のバランスが必要であるが、現代の最適化ワークフローは、手動問題の設定、高有限要素解析 (FEA) コスト、スパース領域やアウト・オブ・ディストリビューション領域における信頼性の低いサロゲートベースの探索の3つのボトルネックに直面している。
これらの制約に対処するために、構造化問題定義のための検索拡張生成(RAG)と不確実性を考慮したFEA-AIハイブリッド最適化パイプラインを統合する、エンドツーエンドの自動IMMPM設計最適化フレームワークを提案する。
RAGを介してモーター教科書に接続されたデザインエージェントは、ドメイン知識ベースのオプションとエンジニアリングヒントを提供し、最適化カードとAIモデルトレーニングのための実験計画をコンパイルする。
トレーニングエージェントは、電磁FEAを自動化し、ジオメトリバリデーションとソルバ障害ログを記録し、ANOVAベースのデータ分析とLCM推論を用いて失敗したジオメトリを分析し、設計空間を再定義し、追加のサンプルを生成するデザインサンプリングエージェントを起動する。
最適化エージェントは、不確実性駆動切替によるGAベースの探索を行い、低不確実性候補はAI代理推論により評価される一方、高不確実性と信頼性クリティカルなパレートフロントまたはトップK候補は高忠実性FAAにより補正され、反復的再訓練のために再利用される。
このフレームワークは、手動で経験に依存した構成を再現可能なワークフローに変換し、計算コストと予測信頼性のバランスをとる。
一致した高忠実度FEA予算下での実験結果から,提案手法は,低次かつ再現性の高い予測不確実性を維持しつつ,より客観的な性能を実現し,早期予算の枯渇によって制限されるFEAのみの探索と,低信頼度に収束するAIのみの探索に勝ることを示した。
関連論文リスト
- Reliable LLM-Based Edge-Cloud-Expert Cascades for Telecom Knowledge Systems [54.916243942641444]
大規模言語モデル(LLM)は、通信などの分野において、自動化の鍵となる存在として浮上している。
本研究では,問合せパイプラインによる意思決定を支援する,エッジクラウドに精通したLLMベースの知識システムについて検討する。
論文 参考訳（メタデータ） (2025-12-23T03:10:09Z) - Solver-Independent Automated Problem Formulation via LLMs for High-Cost Simulation-Driven Design [31.21353236291861]
APFは、大規模言語モデルによる解決者に依存しない自動問題定式化のためのフレームワークである。
高精度なソルバフィードバックがない場合には、適切な微調整データセットを構築することの難しさを克服する。
APFは、要求定式化の精度と結果として生じる放射線効率曲線の質の両方において、既存の手法を著しく上回っている。
論文 参考訳（メタデータ） (2025-12-21T10:40:36Z) - Benchmarking Generative AI Against Bayesian Optimization for Constrained Multi-Objective Inverse Design [0.15293427903448018]
本稿では,制約付き多目的回帰タスクを解くための生成可能な言語モデル(LLM)の性能について検討する。
最高の性能のLDM(Math-7B)は1.21の世代距離(GD)を達成した。
この知見は, 樹脂, レオロジー, 化学特性の定式化設計の最適化に, 直接工業的応用が期待できる。
論文 参考訳（メタデータ） (2025-10-29T10:37:09Z) - Uncertainty-aware Reward Design Process [6.013578016233855]
報奨関数の設計と評価を効率化するために,大規模言語モデルを統合する新しいフレームワークであるUncertainty-aware Reward Design Process (URDP)を提案する。
URDPは自己整合性分析に基づいて不確実性を定量化し,非効率な報酬成分のシミュレーション無し同定を可能にする。
3つのベンチマーク環境にまたがる35のタスクにわたるURDPの総合評価を行う。
論文 参考訳（メタデータ） (2025-07-03T03:09:17Z) - LLM-guided Chemical Process Optimization with a Multi-Agent Approach [8.714038047141202]
本稿では,最小限のプロセス記述から動作制約を自律的に推論するマルチエージェントLLMフレームワークを提案する。
当社のAutoGenベースのフレームワークは、制約生成、パラメータ検証、シミュレーション、最適化ガイダンスのための特別なエージェントを備えたOpenAIのo3モデルを採用しています。
論文 参考訳（メタデータ） (2025-06-26T01:03:44Z) - Preference Optimization for Combinatorial Optimization Problems [54.87466279363487]
強化学習(Reinforcement Learning, RL)は、ニューラルネットワーク最適化のための強力なツールとして登場した。
大幅な進歩にもかかわらず、既存のRLアプローチは報酬信号の減少や大規模な行動空間における非効率な探索といった課題に直面している。
統計的比較モデルを用いて定量的報酬信号を定性的選好信号に変換する新しい手法であるPreference Optimizationを提案する。
論文 参考訳（メタデータ） (2025-05-13T16:47:00Z) - Tuning for Trustworthiness -- Balancing Performance and Explanation Consistency in Neural Network Optimization [49.567092222782435]
我々は,異なる特徴帰属法間の合意として定義された,XAI整合性という新しい概念を紹介する。
予測性能と説明のバランスをとる多目的最適化フレームワークを構築した。
本研究は、トレードオフゾーンバランス性能損失とXAI整合性による強靭性向上のモデルについて、今後の研究基盤を提供する。
論文 参考訳（メタデータ） (2025-05-12T13:19:14Z) - Joint User Association, Interference Cancellation and Power Control for
Multi-IRS Assisted UAV Communications [80.35959154762381]
インテリジェント反射面(IRS)支援無人航空機(UAV)通信は、地上基地局の負荷を低コストで軽減することが期待されている。
既存の研究は主に、複数のIRSではなく単一のIRSの配置とリソース割り当てに焦点を当てている。
我々は,共同IRSユーザアソシエーションのための新しい最適化アルゴリズム,UAVの軌道最適化,逐次干渉キャンセル(SIC)復号命令スケジューリング,電力割り当てを提案する。
論文 参考訳（メタデータ） (2023-12-08T01:57:10Z) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-04T01:47:37Z) - Evolutionary Optimization of High-Coverage Budgeted Classifiers [1.7767466724342065]
予算付き多機能分類器(MSC)プロセスは、部分的特徴取得および評価ステップのシーケンスを通じて入力される。
本稿では,不確定な予測のための端末拒否オプションを組み込んだ問題固有MSCを提案する。
アルゴリズムの設計は、一意化による集約性能の概念を尊重しながら効率を重視している。
論文 参考訳（メタデータ） (2021-10-25T16:03:07Z)
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。