論文の概要: LLMs and Agentic AI Systems for Smart Grids: A Tutorial on Architectures and Applications
- arxiv url: http://arxiv.org/abs/2607.18147v1
- Date: Mon, 20 Jul 2026 16:45:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.709423
- Title: LLMs and Agentic AI Systems for Smart Grids: A Tutorial on Architectures and Applications
- Title（参考訳）: スマートグリッドのためのLLMとエージェントAIシステム - アーキテクチャとアプリケーションに関するチュートリアル
- Authors: Daniela Rojas, Abdulwahab Albassam, Aidan G. Leung, Jett Ngo, Ryan Luo, Peter R. Quawas, Junpyung Kim, Kangkai Liang, Mansi Nanavati, Jonathan Mai, Meng-Chi Tsai, Yun-Tong Tsai, Yize Chen, Yuanyuan Shi,
- Abstract要約: 大規模言語モデル(LLM)とエージェントAIシステムは、自然言語タスクから、技術的ドメインにおける計画、検索、行動のための外部ツールへと進化してきた。
本稿では,信頼性ツールから発生し,明示的な検証を経た場合にのみ数値結果が報告される,解法基底設計の原理を提案する。
エージェントシステムは、信頼できるツールが計算し、検証ゲートが報告されるものを決定する間、確実にオーケストレーションし、検索し、説明する。
- 参考スコア（独自算出の注目度）: 5.111428111198726
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) and agentic AI systems have evolved from natural language tasks to using external tools to plan, retrieve, and act in technical domains. In smart grids, recent work applies agentic schemes to forecasting, optimization, and control, wrapping trusted solvers behind language interfaces and orchestrating multi-step workflows. The literature lacks a unified approach to designing and evaluating such systems. LLMs can produce numerically plausible yet physically infeasible outputs, evaluation protocols vary across tasks, and the boundary between what the model should and should not compute is implicit. This paper presents a solver-grounded design principle: a numerical result is reported only when it originates from a trusted tool and passes explicit verification. We review the building blocks of LLM and agentic AI systems for power systems: prompting strategies and agentic architectures. We instantiate the principle in four case studies: wind power forecasting, EV charging scheduling, power flow analysis, and contingency diagnosis, each comparing an LLM-only baseline against its solver-grounded counterpart on identical data and metrics. EVAgent reproduces the CVXPY optimum while reducing LLM-only unmet energy by 7.5-9.5x, and GridDebugAgent repairs 17/39 contingency cases while reducing total violations by 52.3%. We propose a four-group evaluation framework spanning task utility, solver-grounded correctness, faithfulness and safe failure, and cost and latency. A consistent division of labor emerges: the agentic system reliably orchestrates, retrieves, and explains, while trusted tools compute and a verification gate decides what is reported.
- Abstract（参考訳）: 大規模言語モデル(LLM)とエージェントAIシステムは、自然言語タスクから、技術的ドメインにおける計画、検索、行動のための外部ツールへと進化してきた。
スマートグリッドでは、エージェント的なスキームを予測、最適化、制御に適用し、信頼された問題解決者を言語インターフェースの背後にラップし、マルチステップワークフローを編成する。
文学はそのようなシステムを設計し評価するための統一的なアプローチを欠いている。
LLMは数値的に可算だが物理的には実現不可能な出力を生成することができ、評価プロトコルはタスクによって異なり、モデルが計算すべきですべきでないものの境界は暗黙的である。
本稿では,信頼性ツールから発生し,明示的な検証を経た場合にのみ数値結果が報告される,解法基底設計の原理を提案する。
我々は, LLMとエージェントAIシステムの構築ブロックについて, 戦略とエージェントアーキテクチャの促進についてレビューする。
風力予測,EV帯電スケジューリング,潮流解析,緊急診断の4つのケーススタディにおいて,LLMのみのベースラインと同一のデータと測定値の解法を比較検討した。
EVAgentはCVXPYの最適化を再現し、LCMのみのアンメタルエネルギーを7.5-9.5x削減し、GridDebugAgentは17/39の緊急ケースを修復し、総違反量を52.3%削減した。
本稿では,タスクユーティリティ,ソルバグラウンドの正しさ,忠実さと安全な障害,コストとレイテンシにまたがる4グループ評価フレームワークを提案する。
エージェントシステムは、信頼できるツールが計算し、検証ゲートが報告されるものを決定する間、確実にオーケストレーションし、検索し、説明する。
関連論文リスト
- Execution-Verified Reinforcement Learning for Optimization Modeling [49.171122807323634]
実行検証学習フレームワークは、数学的プログラミング解法を決定論的で対話的な検証器として扱う。
NL4OPT, MAMO, IndustryOR, OptiBenchをグロビ, OR-Tools, COPTで行った実験では, EVOMがプロセス管理SFTに適合または優れていた。
論文 参考訳（メタデータ） (2026-04-01T03:39:11Z) - LLM Readiness Harness: Evaluation, Observability, and CI Gates for LLM/RAG Applications [51.56484100374058]
評価をデプロイメント決定ワークフローに変換するLLMおよびRAGアプリケーションのための準備性ハーネスを提案する。
このシステムは、最小限のAPI契約の下で、自動ベンチマーク、OpenTelemetryオブザーバビリティ、CI品質ゲートを組み合わせる。
チケットルーティングとBEIRタスクのハーネスを、完全なAzureマトリックスカバレッジで評価する。
論文 参考訳（メタデータ） (2026-03-28T18:03:32Z) - SafePilot: A Framework for Assuring LLM-enabled Cyber-Physical Systems [2.2566909388480743]
大規模言語モデル(LLM)は、最近、様々なサイバー物理システムに統合され始めている。
LLMは"ハロシン化"(hallucination)を生成します。
属性ベースおよび時間仕様に従ってCPSのエンドツーエンド保証を提供する新しい階層型ニューロシンボリックフレームワークであるSafePilotを提案する。
論文 参考訳（メタデータ） (2026-03-23T03:31:51Z) - Execution-State-Aware LLM Reasoning for Automated Proof-of-Vulnerability Generation [36.950993500170014]
本稿では,PoV生成を反復的仮説検証法として再構成するエージェントフレームワークであるDrillAgentを提案する。
我々は、実世界のC/C++脆弱性の大規模なベンチマークであるSEC-bench上でDrillAgentを評価する。
論文 参考訳（メタデータ） (2026-02-14T03:17:27Z) - 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) - Tractable Asymmetric Verification for Large Language Models via Deterministic Replicability [0.6117371161379209]
大規模言語モデル(LLM)の展望は、動的でマルチエージェントなシステムへと急速にシフトします。
本稿では, トラクタブルな非対称な作業を実現するための検証フレームワークを提案する。
対象検定は全再生の12倍以上の速さで行うことができる。
論文 参考訳（メタデータ） (2025-09-14T03:30:06Z) - CodeAgents: A Token-Efficient Framework for Codified Multi-Agent Reasoning in LLMs [16.234259194402163]
マルチエージェント推論を符号化し、マルチエージェントシステムにおける構造化されたトークン効率の計画を可能にするプロンプトフレームワークであるCodeAgentsを紹介する。
その結果, 計画性能は一貫した改善がみられ, 基本となる自然言語よりも3～36ポイントの絶対的な向上が見られた。
論文 参考訳（メタデータ） (2025-07-04T02:20:19Z) - AegisLLM: Scaling Agentic Systems for Self-Reflective Defense in LLM Security [74.22452069013289]
AegisLLMは、敵の攻撃や情報漏洩に対する協調的なマルチエージェント防御である。
テスト時のエージェント推論システムのスケーリングは,モデルの有用性を損なうことなく,ロバスト性を大幅に向上させることを示す。
アンラーニングやジェイルブレイクを含む主要な脅威シナリオに対する総合的な評価は、AegisLLMの有効性を示している。
論文 参考訳（メタデータ） (2025-04-29T17:36:05Z) - GateLens: A Reasoning-Enhanced LLM Agent for Automotive Software Release Analytics [9.549568621873386]
GateLensは、自動車分野のデータ分析のためのLLMベースのシステムである。
遅くて不透明でメンテナンスにコストがかかる従来のマルチエージェントや計画ベースのシステムとは異なり、GateLensはスピード、透明性、信頼性を強調している。
論文 参考訳（メタデータ） (2025-03-27T17:48:32Z) - Improving LLM Reasoning through Scaling Inference Computation with Collaborative Verification [52.095460362197336]
大規模言語モデル(LLM)は一貫性と正確な推論に苦しむ。
LLMは、主に正しいソリューションに基づいて訓練され、エラーを検出して学習する能力を減らす。
本稿では,CoT(Chain-of-Thought)とPoT(Program-of-Thought)を組み合わせた新しい協調手法を提案する。
論文 参考訳（メタデータ） (2024-10-05T05:21:48Z)
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。