論文の概要: A Multi-Agent Framework for Zero-Dimensional Reduced-Order Model Planning

• arxiv url: http://arxiv.org/abs/2607.10994v1
• Date: Mon, 13 Jul 2026 01:33:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.296338
• Title: A Multi-Agent Framework for Zero-Dimensional Reduced-Order Model Planning
• Title（参考訳）: ゼロ次元低次モデル計画のためのマルチエージェントフレームワーク
• Abstract要約: 本稿では,ゼロ次元縮小次モデルCO-Planningフレームワーク(Z-COPA)を提案する。 Z-COPAはSAGE(Symbolic Action Graph Engine)とMGN(MILP-Guided Navigation)トポロジーを備えたマルチエージェントアーキテクチャである。 Z-COPAの前方・逆設計性能と一般化性能を実機2基のセカンダリエアシステムで検証した。
• 参考スコア（独自算出の注目度）: 18.11528137623955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Zero-dimensional reduced-order models (0D ROMs) are central to multi-dimensional design workflows for high-end complex equipment. However, the planning process currently relies on manual expertise, limiting topological exploration and prolonging iterations. Even traditional optimization methods such as Genetic Algorithms (GA) are typically confined to local parameter tuning. Although Large Language Model (LLM) agents have shown promise in exploring large sample spaces, and frameworks such as Chain of Thought (CoT) and Reason and Act (ReAct) improve reasoning reliability, while Retrieval-Augmented Generation (RAG) overcomes domain knowledge barriers, a single agent still falls short for the long-horizon and highly coupled nature of complex 0D ROM planning. This paper proposes the Zero-dimensional reduced-order model CO-Planning framework (Z-COPA), a multi-agent architecture featuring a Symbolic Action Graph Engine (SAGE) and a MILP-Guided Navigation (MGN) optimizer. Its core innovation is a dedicated graph representation method that accurately encodes the 0D flow network topology, converting the empirical planning process into a rigorous graph structure optimization problem. We validate the forward and inverse design capabilities and generalization performance of Z-COPA on two real aircraft engine secondary-air systems, two IEEE power-distribution reconfiguration benchmarks, and two water-distribution network benchmarks. The results show superior task completion quality, obtaining the best performance in both forward and reverse design of air systems. Z-COPA disrupts the traditional 0D model planning paradigm, providing a new technical approach for exploring broader topological space and achieving highly automated, globally optimal air system architectures.
• Abstract（参考訳）: ゼロ次元減階モデル(0D ROM)は、ハイエンドの複雑な機器のための多次元設計ワークフローの中心である。 しかしながら、現在の計画プロセスは手作業による専門知識に依存しており、トポロジカルな探索と反復の延長を制限している。 遺伝的アルゴリズム(GA)のような従来の最適化手法でさえ、通常は局所的なパラメータチューニングに限られる。 大規模言語モデル (LLM) エージェントは大きなサンプル空間の探索において有望であるが、Chain of Thought (CoT) や Reason and Act (ReAct) のようなフレームワークは推論の信頼性を改善し、Retrieval-Augmented Generation (RAG) はドメイン知識の障壁を克服する一方、単一エージェントは長い水平と複雑な0D ROM計画の高度に結合した性質のために依然として不足している。 本稿では,SAGE(Symbolic Action Graph Engine)とMGN(MILP-Guided Navigation)オプティマイザを備えたマルチエージェントアーキテクチャであるZero-dimensional reduce-order model CO-Planning framework (Z-COPA)を提案する。 その中心となる革新は、0Dフローネットワークトポロジーを正確に符号化し、経験的計画プロセスを厳密なグラフ構造最適化問題に変換するグラフ表現法である。 本研究では,Z-COPAの前方および逆設計能力と,実機2基のセカンダリエアシステム,IEEE電力分配再構成ベンチマーク,水分配ネットワークベンチマークの一般化性能について検証した。 その結果, 作業完了品質が向上し, 航空システムの前方設計と逆設計の両方において, 最高の性能が得られた。 Z-COPAは従来の0Dモデル計画パラダイムを破壊し、より広範なトポロジカル空間を探索し、高度に自動化されたグローバルなエアシステムアーキテクチャを実現するための新しい技術アプローチを提供する。

関連論文リスト

• TOPCELL: Topology Optimization of Standard Cell via LLMs [18.076256744558087]
  本稿では,大規模言語モデル(LLM)を用いた高次元トポロジー探索を生成タスクとして再構成する新しいフレームワークであるTOPCELLを紹介する。 先進的な2nm技術ノードをターゲットとした産業用フローにおける実験結果から,TOPCELLは粗悪で物理的に認識可能なトポロジを発見する上で,基礎モデルよりも著しく優れていた。 7nmライブラリ生成タスクのための最先端(SOTA)自動化フローに統合されると、TOPCELLは堅牢なゼロショットの一般化を示し、85.91倍のスピードアップを達成しつつ、抜本的なソルバのレイアウト品質に適合する。
  論文  参考訳（メタデータ） (2026-04-15T00:19:07Z)
• HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
  我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。 我々は,NAVSIMとHUGSIMの両方でHADが新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-04T04:12:47Z)
• StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
  本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。 我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。 スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
  論文  参考訳（メタデータ） (2026-03-02T11:35:05Z)
• PathWise: Planning through World Model for Automated Heuristic Design via Self-Evolving LLMs [16.59846708454225]
  自己進化型LCM(PathWise)による世界自動ヒューリスティックデザインのための計画的計画」と呼ばれる新しいマルチエージェント推論フレームワークを提案する。 PathWiseは、検索軌跡のコンパクトでステートフルなメモリとして機能するエンテーメントグラフ上のシーケンシャルな決定過程を定式化する。 様々なCOP実験により、PathWiseはより高速に収束し、より一般化し、異なるLCMバックボーンをまたいで一般化し、より大きな問題サイズにスケールすることが示された。
  論文  参考訳（メタデータ） (2026-01-28T12:34:50Z)
• HeaRT: A Hierarchical Circuit Reasoning Tree-Based Agentic Framework for AMS Design Optimization [13.18012004667103]
  HeaRTは自動化ループの基本的な推論エンジンであり、インテリジェントで適応的でヒューマンスタイルの設計最適化に向けた第一歩である。 HeaRTは、40サイクルのベンチマークリポジトリで、推論精度97%、Pass@1のパフォーマンス98%を一貫して示しています。 実験の結果,HeaRTはサイズおよびトポロジー設計適応タスクにおいて3倍の収束性が得られることがわかった。
  論文  参考訳（メタデータ） (2025-11-24T20:11:06Z)
• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
  我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。 条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。 各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。 実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T05:28:28Z)
• Towards Efficient General Feature Prediction in Masked Skeleton Modeling [59.46799426434277]
  マスクスケルトンモデリングのための新しい汎用特徴予測フレームワーク(GFP)を提案する。 我々の重要な革新は、局所的な動きパターンからグローバルな意味表現にまたがる、従来の低レベルな再構築を高レベルな特徴予測に置き換えることです。
  論文  参考訳（メタデータ） (2025-09-03T18:05:02Z)
• Leveraging LLM Agents for Automated Optimization Modeling for SASP Problems: A Graph-RAG based Approach [7.790822602801334]
  本稿では,検索拡張生成(RAG)技術に基づく自動モデリング手法を提案する。 提案手法(MAG-RAG)はいくつかのAOMベンチマークより優れている。
  論文  参考訳（メタデータ） (2025-01-30T13:00:15Z)
• Multi-objective Optimization in CPU Design Space Exploration: Attention is All You Need [11.931035726174906]
  設計空間探索(DSE)は現代のCPU設計に不可欠であるが、現在のフレームワークは高次元のアーキテクチャ空間で拡張と一般化に苦慮している。 textbfAttentionDSEは、パフォーマンス予測と神経設計ガイダンスを統合した最初のエンドツーエンドDSEフレームワークである。 主要なイノベーションには、アーキテクチャ階層と局所性を活用するtextbfPerception-Driven Attentionメカニズム、スライディングウィンドウ経由で$mathcalO(n2)$から$mathcalO(n)$への注意の複雑さのスケーリングがある。
  論文  参考訳（メタデータ） (2024-10-24T02:20:17Z)
• Vertical Federated Learning over Cloud-RAN: Convergence Analysis and System Optimization [82.12796238714589]
  高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。 アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。 我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-05-04T09:26:03Z)

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。