論文の概要: Structure from Reasoning, Numbers from Search: On-Premise Open LLMs as Structural Priors for Coupled MIMO Controller Tuning

• arxiv url: http://arxiv.org/abs/2606.11015v1
• Date: Tue, 09 Jun 2026 15:53:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.592513
• Title: Structure from Reasoning, Numbers from Search: On-Premise Open LLMs as Structural Priors for Coupled MIMO Controller Tuning
• Title（参考訳）: 推論による構造,探索による数:結合MIMOコントローラチューニングにおける構造的優先事項としてのオープンLLMのオンプレミット
• Authors: Jiaxuan Chen, Haonan Li, Yang Shu,
• Abstract要約: 強い結合型マルチインプット・マルチアウトプット(IMO)ループのためのチューニングコントローラは困難である。 強結合型マルチインプット・マルチアウトプット(IMO)ループのチューニング制御は困難であることを示す。
• 参考スコア（独自算出の注目度）: 12.654595982289143
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tuning controllers for strongly coupled multi-input multi-output (MIMO) industrial processes is hard: decentralized classical auto-tuning ignores loop interaction, and local numerical optimization from natural initializations stalls in the resulting non-convex cost landscape. We ask whether on-premise open-source large language models (LLMs), which keep data on-site and need no plant model, can help. On a single-loop CSTR, classical relay-feedback tuning (IAE 0.106, near the 0.102 optimum) beats an LLM tuner (0.162): for simple loops the LLM adds nothing. The picture inverts on a strongly coupled quadruple-tank with conflicting set-points, scored by a penalized cost J = IAE + lambda*TV(u) that rewards tracking without chattering actuators. There, naive relay tuning (J ~ 28.6) and naive LLM tuning (29.7) are no better than open loop (22.7), and a local optimizer from balanced starts fails in 10/10 runs. A scaffolded open LLM instead reasons about the coupling, proposes the counter-intuitive asymmetric structure, and reaches J ~ 16.9 +/- 0.2 from any start; refining it with a classical optimizer attains the smooth global optimum (J ~ 12.0, 10/10 vs. 0/10), which even applies a non-obvious negative integral correction decentralized tuning cannot. A global optimizer (differential evolution) also reaches this optimum, so the LLM is not the only route; its advantage is sample efficiency and interpretability: a usable controller in 18 evaluations (where the global optimizer is worse than open loop) plus a stated rationale. This edge grows with dimension, reaching ~6x fewer evaluations on a 3x3 plant. The behaviour generalizes across four open models, and on a benign plant the LLM offers no advantage, sharpening the boundary. We contribute a reproducible benchmark delimiting when open LLMs help in control tuning: not as optimizers, but as a sample-efficient, interpretable structural prior.
• Abstract（参考訳）: 分散化された古典的自動チューニングはループの相互作用を無視し、自然初期化による局所的な数値最適化は結果として非凸コストの景観を停滞させる。 現場でデータを保持し,植物モデルを必要としない,オンプレミスのオープンソースの大規模言語モデル(LLM)が有効かどうかを問う。 シングルループのCSTRでは、古典的なリレーフィードバックチューニング(IAE 0.106、0.102最適値付近)がLPMチューナー(0.162)を打ち負かす。 画像は、対立するセットポイントを持つ強く結合された4重タンクで反転し、計算コスト J = IAE + lambda*TV(u) によってスコアされ、アクチュエーターを交換することなくトラッキングを報奨する。 ここでは、ナイーブリレーチューニング (J ~ 28.6) とナイーブLLMチューニング (29.7) はオープンループ (22.7) に匹敵し、バランスの取れたローカルオプティマイザは10/10ランで失敗する。 足場付き開 LLM は結合を理由として反直観的非対称構造を提案し、任意の始点から J ~ 16.9 +/- 0.2 に到達し、古典的最適化器でそれを精製すると、滑らかな大域最適化 (J ~ 12.0, 10/10 vs. 0/10) が得られる。 グローバルオプティマイザ(微分進化)もこの最適値に達するため、LCMは唯一の経路ではなく、サンプル効率と解釈可能性である。 このエッジは次元に応じて成長し、3x3のプラントでの評価はおよそ6倍に減少する。 振る舞いは4つのオープンモデルにまたがって一般化され、良性植物では LLM は優位性を持たず、境界を鋭くする。 我々は、LLMが制御チューニングに役立ったときの再現可能なベンチマークに寄与する:最適化としてではなく、サンプル効率が高く、解釈可能な構造上の先行としてである。

関連論文リスト

• Efficient Data Selection for Multimodal Models via Incremental Optimization Utility [6.698411108146732]
  本稿では,データ選択をインクリメンタルな最適化ユーティリティランキング問題として再定義するフレームワークであるOne-Step-Train(OST)を提案する。 トップ50サブセットを選択することで、OSTはトレーニングコストを43%削減し(トータルタイム消費は17)、強力なLCM-as-a-Judgeベースラインを1.8ポイント上回る。
  論文  参考訳（メタデータ） (2026-05-08T09:28:26Z)
• OpenSanctions Pairs: Large-Scale Entity Matching with LLMs [0.9131359219276399]
  我々は,実世界の国際制裁アグリゲーションとアナリストの重複から派生した,大規模エンティティマッチングベンチマークOpenSanctions Pairsをリリースした。 データセットには、31か国で293の異種源にまたがる755,540のラベル付きペアが含まれている。 オフザシェルフ LLM は生産ルールベースのベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-02-24T06:25:49Z)
• Learning a Zeroth-Order Optimizer for Fine-Tuning LLMs [22.39397810186991]
  大規模言語モデルのための学習ベースゼロトオーダーであるZO Fine-tunerを提案する。 コンパクトでメモリ効率の良い設計により、効率的な摂動戦略を自動的に学習する。 実験の結果、ZOファインチューナーはタスクモデルの組み合わせの82.1%において、ゼロ階前のベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-10-01T02:01:07Z)
• Large language models as uncertainty-calibrated optimizers for experimental discovery [4.968931211284832]
  本稿では,従来の最適化手法の不確実性を考慮した言語モデルのトレーニングにより,自然言語インタフェースによる信頼度向上が実現可能であることを示す。 提案手法は, 高収率反応条件の発見率を24%から43%にほぼ倍増させる。
  論文  参考訳（メタデータ） (2025-04-08T17:59:57Z)
• Bypass Back-propagation: Optimization-based Structural Pruning for Large Language Models via Policy Gradient [57.9629676017527]
  本研究では,プルーンドモデルの損失を最適化することにより,確率空間におけるプルーニングマスクを直接学習する最適化に基づく構造的プルーニングを提案する。 我々は、基底となるベルヌーイ分布をサンプルのバイナリ・プルーニングマスクに学習することでこれを実現する。 LLaMA, LLaMA-2, LLaMA-3, Vicuna, Mistral モデルによる実験により, 本手法の有効性と有効性を示すことができた。
  論文  参考訳（メタデータ） (2024-06-15T09:31:03Z)
• Federated Full-Parameter Tuning of Billion-Sized Language Models with Communication Cost under 18 Kilobytes [53.4856038354195]
  事前訓練された大規模言語モデル(LLM)は、自然言語命令に対する応答性を改善するために微調整が必要である。 FedKSeedは、ランダムシードの有限セットによるゼロ階最適化を採用している。 サーバとクライアント間の通信要求を大幅に減らし、ランダムなシードをわずかに減らします。
  論文  参考訳（メタデータ） (2023-12-11T13:03:21Z)

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。