論文の概要: Automating structural reliability analysis with a multi-agent large language model framework

• arxiv url: http://arxiv.org/abs/2607.16580v1
• Date: Sat, 18 Jul 2026 01:45:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.191373
• Title: Automating structural reliability analysis with a multi-agent large language model framework
• Title（参考訳）: マルチエージェント大規模言語モデルフレームワークによる構造信頼性解析の自動化
• Authors: Jaehwan Jeon, Chang Hee Lee, Taeyong Kim,
• Abstract要約: 本研究では,構造信頼性解析プロセスを自動化するマルチエージェント大規模言語モデルフレームワークを提案する。 特殊エージェントは問題定式化、メソッド計画、コード生成、実行、結果解釈を扱う。 その結果,計算信頼性を保ちながら,構造信頼性評価の専門知識を低下させることがわかった。
• 参考スコア（独自算出の注目度）: 12.330022806125138
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Structural reliability analysis supports the design and safety assessment of buildings and civil infrastructure but requires specialized expertise throughout the workflow. This study presents a multi-agent large language model framework that automates component-level reliability analysis from a natural-language problem statement to interpreted estimates of the reliability index and failure probability. Specialized agents handle problem formulation, method planning, code generation, execution, and result interpretation, with human confirmation at key decision points. The Method Planner is fine-tuned using QLoRA for a priori reliability-method category selection. Analysis results are not generated directly by an LLM; instead, validated deterministic solvers compute the reliability estimates, improving reproducibility and reducing hallucination risk. The framework uses open-weight models and supports local execution without closed APIs. Results show that it lowers the expertise barrier to structural reliability assessment while preserving computational trustworthiness.
• Abstract（参考訳）: 構造的信頼性分析は、建物や土木インフラの設計と安全性評価をサポートするが、ワークフロー全体を通して専門的な専門知識を必要とする。 本研究では,コンポーネントレベルの信頼性分析を自然言語問題文から自動化し,信頼度指数と失敗確率を推定する多エージェント大規模言語モデルフレームワークを提案する。 特殊エージェントは、問題定式化、メソッド計画、コード生成、実行、結果解釈を扱う。 Method Plannerは、QLoRAを用いて、優先度-メソッドカテゴリの選択を微調整する。 解析結果はLCMによって直接生成されるのではなく、検証された決定論的解法が信頼性推定を計算し、再現性を改善し、幻覚リスクを低減させる。 このフレームワークはオープンウェイトモデルを使用し、クローズドAPIなしでローカル実行をサポートする。 その結果,計算信頼性を保ちながら,構造信頼性評価における専門知識の障壁を低くすることがわかった。

関連論文リスト

• Leveraging Large Language Models for Trustworthiness Assessment of Web Applications [13.909850314037653]
  本研究では,大規模言語モデル(LLM)を活用したWebアプリケーションの信頼性評価を自動化する実証的手法を提案する。 本稿では,LSP(Logic Score of Preference)に基づく階層品質モデルの拡張を提案する。 実験結果から,過度な構造的コンテキストがノイズを発生させる可能性が示唆された。
  論文  参考訳（メタデータ） (2026-03-24T23:33:54Z)
• 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)
• A Large Language Model-Empowered Agent for Reliable and Robust Structural Analysis [14.754785659805869]
  大規模言語モデル(LLM)は、様々なオープンドメインタスクにまたがる顕著な能力を示してきたが、土木工学のような専門分野への応用は、いまだに未解明のままである。 本稿では, ビーム構造解析におけるLCMの信頼性とロバスト性を評価することによって, このギャップを埋める。 実験の結果, エージェントはベンチマークデータセット上で99.0%を超える精度を達成し, 多様な条件で信頼性と堅牢性を示すことがわかった。
  論文  参考訳（メタデータ） (2025-06-27T04:16:53Z)
• Enhancing LLM Reliability via Explicit Knowledge Boundary Modeling [41.19330514054401]
  大規模言語モデル(LLM)は、不一致の自己認識に起因する幻覚の傾向にある。 本稿では,高速かつ低速な推論システムを統合し,信頼性とユーザビリティを調和させる明示的知識境界モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-04T03:16:02Z)
• KRAIL: A Knowledge-Driven Framework for Base Human Reliability Analysis Integrating IDHEAS and Large Language Models [2.7378790256389047]
  本稿では,IDHEASとLLM(KRAIL)を統合した知識駆動型信頼性分析のための新しい2段階フレームワークを提案する。 本稿では,自然言語処理における大規模言語モデル(LLM)の成功に触発されて,知識駆動型信頼性分析のための新しい2段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-20T06:21:34Z)
• Decomposing Uncertainty for Large Language Models through Input Clarification Ensembling [69.83976050879318]
  大規模言語モデル(LLM)では、不確実性の原因を特定することが、信頼性、信頼性、解釈可能性を改善するための重要なステップである。 本稿では,LLMのための不確実性分解フレームワークについて述べる。 提案手法は,入力に対する一連の明確化を生成し,それらをLLMに入力し,対応する予測をアンサンブルする。
  論文  参考訳（メタデータ） (2023-11-15T05:58:35Z)

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。