Fugu-MT 論文翻訳(概要): SPARC: A Multi-Agent System for Electrical Circuit Question Answering

論文の概要: SPARC: A Multi-Agent System for Electrical Circuit Question Answering

arxiv url: http://arxiv.org/abs/2606.20643v1
Date: Fri, 05 Jun 2026 21:06:39 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-30 20:39:51.171586
Title: SPARC: A Multi-Agent System for Electrical Circuit Question Answering
Title（参考訳）: SPARC:電子回路質問応答のためのマルチエージェントシステム
Abstract要約: 物理シミュレーションにおいて,回路図上の疑問に答えるマルチエージェントシステムを提案する。 83%の精度を実現し、ベースラインよりも最大58%の絶対的な改善を実現し、体系的なエラー診断を可能にした。
参考スコア（独自算出の注目度）: 5.661404745832177
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Electrical circuit diagram QA tasks require complex mathematical reasoning, which remains challenging for multimodal LLMs. We present SPARC, a multi-agent system that answers questions over circuit diagrams by grounding reasoning in executable physics-based simulations. SPARC uses LLM agents to synthesize, execute, and analyze simulation programs, improving accuracy and reliability by design. It achieves 83% accuracy, with up to a 58% absolute improvement over baselines, while enabling systematic error diagnosis.
Abstract（参考訳）: 電気回路図 QA タスクは複雑な数学的推論を必要とするが、マルチモーダル LLM では依然として困難である。本研究では,回路図上の疑問に答えるマルチエージェントシステムSPARCを提案する。 SPARCはLSMエージェントを使用してシミュレーションプログラムを合成、実行、分析し、設計による精度と信頼性を向上させる。精度は83%で、ベースラインよりも最大58%向上し、体系的なエラー診断を可能にしている。

関連論文リスト

SHM-Agents: A Generalist-Specialist Integrated Agent System for Structural Health Monitoring [9.630471037919765]
本稿では,ジェネリスト・スペシャリストエージェントシステムであるSHM-Agentsを提案する。 SHM-Agentsは、大規模言語モデルの推論と計画能力と、特殊アルゴリズムの問題解決能力を統合する。 SHM-Agents が様々なSHMタスクを正確かつ効率的に実行可能であることを示す。
論文参考訳（メタデータ） (2026-05-13T02:44:08Z)
ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
6Gネットワークは複雑な層間最適化に依存している。数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
論文参考訳（メタデータ） (2026-01-27T13:43:59Z)
MeltRTL: Multi-Expert LLMs with Inference-time Intervention for RTL Code Generation [0.0]
MeltRTLは、マルチエキスパートの注意と推論時間の介入を統合する新しいフレームワークである。 MeltRTLは、ベースモデルを再トレーニングすることなく、大きな言語モデル(LLM)の精度を大幅に改善する。 We evaluate MeltRTL on the VerilogEval benchmark, achieve 96% synthesizability and 60% functional correctness。
論文参考訳（メタデータ） (2026-01-19T12:49:39Z)
An Agentic Framework for Autonomous Materials Computation [70.24472585135929]
大規模言語モデル(LLM)は、科学的発見を加速するための強力なツールとして登場した。近年の進歩はLLMをエージェントフレームワークに統合し、複雑な科学実験のための検索、推論、ツールの使用を可能にしている。本稿では,第一原理計算の信頼性向上を目的としたドメイン特化エージェントを提案する。
論文参考訳（メタデータ） (2025-12-22T15:03:57Z)
AMSbench: A Comprehensive Benchmark for Evaluating MLLM Capabilities in AMS Circuits [15.37303396881353]
AMSbenchはマルチモーダル大言語モデル(MLLM)を評価するためのベンチマークスイートである。本評価は,現在のMLLMにおいて重要な限界を浮き彫りにしたものである。これらの結果は、MLLMの理解を深め、回路固有の知識を効果的に適用する必要性を浮き彫りにしている。
論文参考訳（メタデータ） (2025-05-30T02:17:45Z)
Reinforcing Question Answering Agents with Minimalist Policy Gradient Optimization [80.09112808413133]
Mujicaは、質問をサブクエストの非循環グラフに分解するプランナーであり、検索と推論を通じて質問を解決するワーカーである。 MyGOは、従来のポリシー更新を勾配的いいねりの最大推定に置き換える、新しい強化学習手法である。複数のデータセットにまたがる実験結果から,マルチホップQA性能向上における MujicaMyGO の有効性が示された。
論文参考訳（メタデータ） (2025-05-20T18:33:03Z)
LLM-based AI Agent for Sizing of Analog and Mixed Signal Circuit [2.979579757819132]
大規模言語モデル (LLM) は様々な分野において大きな可能性を証明している。本研究では,AMS回路設計のためのLLMベースのAIエージェントを提案する。
論文参考訳（メタデータ） (2025-04-14T22:18:16Z)
MAPS: Advancing Multi-Modal Reasoning in Expert-Level Physical Science [62.96434290874878]
現在のMLLM(Multi-Modal Large Language Models)は、一般的な視覚的推論タスクにおいて強力な機能を示している。我々は,MLLMに基づく物理知覚とシミュレーションによるマルチモーダル科学推論(MAPS)という新しいフレームワークを開発した。 MAPSは、専門家レベルのマルチモーダル推論タスクを物理的知覚モデル(PPM)を介して物理図理解に分解し、シミュレータを介して物理的知識で推論する。
論文参考訳（メタデータ） (2025-01-18T13:54:00Z)
Enabling Large Language Models to Perform Power System Simulations with Previously Unseen Tools: A Case of Daline [1.4255659581428337]
この研究は、パワーシステムと大規模言語モデルの両方から専門知識を統合するモジュラーフレームワークを提案する。 GPT-4oのシミュレーション符号化精度は0%から96.07%に向上し、ChatGPT-4oのウェブインタフェースの33.8%の精度を上回っている。
論文参考訳（メタデータ） (2024-06-25T02:05:26Z)
Faith and Fate: Limits of Transformers on Compositionality [109.79516190693415]
3つの代表的構成課題にまたがる変圧器大言語モデルの限界について検討する。これらのタスクは、問題をサブステップに分割し、これらのステップを正確な答えに合成する必要があります。実験結果から,多段階合成推論を線形化部分グラフマッチングに還元することにより,トランスフォーマーLLMが構成課題を解くことが示唆された。
論文参考訳（メタデータ） (2023-05-29T23:24:14Z)
Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
論文参考訳（メタデータ） (2022-03-26T20:37:14Z)

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。