論文の概要: Automated Hardware Validation Test Plan Generation for Large Scale AI Datacenter Platforms Using a Generative AI Multi-Agents Architecture
- arxiv url: http://arxiv.org/abs/2607.16388v1
- Date: Fri, 17 Jul 2026 17:41:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.1399
- Title: Automated Hardware Validation Test Plan Generation for Large Scale AI Datacenter Platforms Using a Generative AI Multi-Agents Architecture
- Title（参考訳）: 生成型AIマルチエージェントアーキテクチャを用いた大規模AIデータセンタプラットフォームの自動ハードウェア検証テスト計画生成
- Abstract要約: 本稿では,構造化ハードウェア検証テスト計画の生成を自動化する,生成型AIマルチエージェントアーキテクチャを提案する。
手動のベースラインに対して2つのプロダクションプラットフォームで評価され、74.2%と51.4%のカバレッジ拡張を実現し、著者を数日から数時間に短縮した。
- 参考スコア（独自算出の注目度）: 4.668322408437681
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large-scale AI datacenter platforms comprise thousands of heterogeneous hardware components whose validation requires comprehensive fault injection test plans. Today these plans are authored manually: engineers review hardware self-healing validation documents and bills of materials, enumerate failure modes per field-replaceable unit, and produce flat lists of single-layer test cases. This process is labor-intensive, error-prone, and dependent on institutional knowledge; coverage gaps surface late, traceability to source specifications is implicit, and the effort is largely repeated per platform. This paper presents a generative AI multi-agent architecture that automates the generation of structured hardware validation test plans from two canonical inputs: self-healing validation documents, which enumerate known failure modes and their detection and remediation behaviors per field-replaceable unit, and component Bills of Material. An ingestion agent normalizes heterogeneous inputs into a canonical representation; a classification agent maps components to functional domains via contextual reasoning over part descriptions and sub-category hierarchies; and a generation agent synthesizes test cases by combining normalized failure modes with domain-classified data, filling gaps and producing edge cases. The output conforms to a standardized schema for direct import into internal validation software. Evaluated on two production platforms against manual baselines, the framework achieves coverage expansions of 74.2% and 51.4%, cutting authoring from days to hours. It yields fully traceable mappings from each test case to its source specification, and its multi-agent decomposition is portable across platform generations. Automated and expert evaluations confirm 100% extraction fidelity and high acceptance of new scenarios, validating the framework as a robust human-in-the-loop force multiplier.
- Abstract（参考訳）: 大規模なAIデータセンタプラットフォームは、包括的なフォールトインジェクションテスト計画を必要とする、数千の異種ハードウェアコンポーネントで構成されている。
ハードウェアの自己修復検証ドキュメントと資料の請求書をレビューし、フィールド置換可能なユニットあたりの障害モードを列挙し、単層テストケースのフラットリストを生成する。
このプロセスは、労働集約的で、エラーを起こし、制度的な知識に依存します。カバレッジギャップは遅くなっており、ソース仕様へのトレーサビリティは暗黙的です。
本稿では、既知障害モードとフィールド置換可能なユニット毎の検出・修正動作を列挙する自己修復検証文書と、マテリアルのコンポーネントビルとの2つの標準入力から構造化されたハードウェア検証テストプランを自動生成する生成AIマルチエージェントアーキテクチャを提案する。
摂取エージェントは、異種入力を標準表現に正規化し、分類エージェントは、部分記述やサブカテゴリ階層に関する文脈的推論を通じて、コンポーネントを機能ドメインにマッピングし、生成エージェントは、正規化された障害モードとドメイン分類データを組み合わせてテストケースを合成し、ギャップを埋め、エッジケースを生成する。
出力は内部検証ソフトウェアへの直接インポートのための標準化されたスキーマに準拠している。
手動のベースラインに対して2つのプロダクションプラットフォームで評価され、74.2%と51.4%のカバレッジ拡張を実現し、著者を数日から数時間に短縮した。
各テストケースからソース仕様への完全なトレーサブルマッピングが得られ、そのマルチエージェント分解はプラットフォーム世代間でポータブルである。
自動および専門家による評価により、100%の抽出忠実度と新しいシナリオの高い受け入れが確認され、このフレームワークを堅牢な人力乗算器として検証した。
関連論文リスト
- From Document Silos to Process Intelligence: A Multi-Layer Knowledge Graph for CMC Process Development [0.07646713951724012]
本稿では,プロセス開発文書の異種コーパスを問合せ可能な2層知識グラフに変換するモジュール型エージェントAIプラットフォームを提案する。
検索拡張世代(RAG)システムのプロプライエタリデータへの展開忠実度を測定する新しい3層プロトコルを用いて,語彙層の評価を行った。
論文 参考訳（メタデータ） (2026-09-10T12:59:04Z) - Towards Fully Automated Medical Imaging Code Generation via Validation-based Context Engineering [19.965191998381794]
AutoMedImgは、完全に自動化された医用画像処理コード生成のためのマルチエージェントフレームワークである。
セマンティックおよびフォーマルな検証を伴うデータセット分析とアーキテクチャ設計を行うプランニングフェーズと、静的チェック、実行テスト、アセンブリバリデーションと並行してモジュールを生成するコーディングフェーズである。
人間の介入はゼロであり、Diceのスコアはセグメンテーションタスクが最大0.90、分類が99%である。
論文 参考訳（メタデータ） (2026-08-29T03:10:00Z) - Coordination as an Architectural Layer for LLM-Based Multi-Agent Systems [0.0]
マルチエージェントLLMシステムは41%から87%の速度で生産に失敗する。
コーディネーションは、エージェントロジックと情報アクセスから分離可能なアーキテクチャ層として扱われるべきである、と我々は主張する。
我々はこれを予測市場における情報制御設計でインスタンス化する。
論文 参考訳（メタデータ） (2026-05-05T02:56:44Z) - Certified Program Synthesis with a Multi-Modal Verifier [5.998029529040967]
LeetProofは、Leanに埋め込まれたマルチモーダル検証ツールであるVelvet上に構築されたエージェントパイプラインである。
動的検証、自動証明、インタラクティブな証明スクリプティングを1つの基礎フレームワークで組み合わせる。
我々は、認定合成に関する先行研究から得られたベンチマークに基づいてLeetProofを評価する。
論文 参考訳（メタデータ） (2026-04-17T14:56:45Z) - TopoPilot: Reliable Conversational Workflow Automation for Topological Data Analysis and Visualization [4.62716665682001]
TopoPilotは、複雑な科学的視覚化を自動化するための信頼性が高くエージェント的なフレームワークである。
TopoPilotは、信頼性の高い運用を保証するために、系統的なガードレールと検証メカニズムを組み込んでいる。
評価では、TopoPilotは99%以上の成功率を達成したが、ベースラインでは50%以下で、包括的なガードレールやチェックがない。
論文 参考訳（メタデータ） (2026-03-26T05:56:53Z) - Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:48:54Z) - Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。
内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
論文 参考訳（メタデータ） (2026-03-13T20:44:15Z) - PaperAudit-Bench: Benchmarking Error Detection in Research Papers for Critical Automated Peer Review [54.141490756509306]
本稿では、エラーデータセットであるPaperAudit-Datasetと、自動レビューフレームワークであるPaperAudit-Reviewの2つのコンポーネントからなるPaperAudit-Benchを紹介する。
PaperAudit-Benchの実験では、モデルと検出深さの誤差検出可能性に大きなばらつきが示された。
本研究では,SFTおよびRLによる軽量LLM検出器のトレーニングをサポートし,計算コストの削減による効率的な誤り検出を実現する。
論文 参考訳（メタデータ） (2026-01-07T04:26:12Z) - OIDA-QA: A Multimodal Benchmark for Analyzing the Opioid Industry Documents Archive [50.468138755368805]
オピオイド危機は公衆衛生にとって重要な瞬間である。
UCSF-JHU Opioid Industry Documents Archive(OIDA)に公開されているデータと文書
本稿では,文書属性に応じて元のデータセットを整理することで,この問題に対処する。
論文 参考訳（メタデータ） (2025-11-13T03:27:32Z) - Metacognitive Self-Correction for Multi-Agent System via Prototype-Guided Next-Execution Reconstruction [58.51530390018909]
大規模言語モデルに基づくマルチエージェントシステムは、協調的な問題解決において優れているが、エラーのカスケードには脆弱である。
我々は,MASにリアルタイム,教師なし,ステップレベルの誤り検出と自己補正を付与するメタ認知フレームワークMASCを提案する。
論文 参考訳（メタデータ） (2025-10-16T05:35:37Z) - Automatic Building Code Review: A Case Study [6.530899637501737]
建設担当者は、プロジェクトのサイズと複雑さが増大するにつれて、労働集約的で、エラーを起こし、コストがかかる設計文書のレビューに直面します。
本研究では,BIMに基づくデータ抽出と自動検証を統合したエージェント駆動型フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-03T00:30:14Z) - MCP-Orchestrated Multi-Agent System for Automated Disinformation Detection [84.75972919995398]
本稿では,関係抽出を用いてニュース記事の偽情報を検出するマルチエージェントシステムを提案する。
提案したエージェントAIシステムは、(i)機械学習エージェント(ロジスティック回帰)、(ii)Wikipedia知識チェックエージェント、(iv)Webスクラッドデータアナライザの4つのエージェントを組み合わせる。
その結果、マルチエージェントアンサンブルはF1スコア0.964で95.3%の精度を達成し、個々のエージェントや従来のアプローチよりも大幅に優れていた。
論文 参考訳（メタデータ） (2025-08-13T19:14:48Z) - Generating Highly Structured Test Inputs Leveraging Constraint-Guided Graph Refinement [4.121384394709256]
本研究では,グラフベース表現を用いて,構造化ドメインに対するテスト入力を統一できるかどうかを検討する。
我々は,8つのAIシステムにおける入力妥当性とセマンティックな保存性を高めるために,このアプローチの有効性を評価する。
論文 参考訳（メタデータ） (2025-07-28T18:54:04Z)
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。