論文の概要: Agentic Calibration of Grey-Box Simulation Models: An LLM-Driven Alternative

• arxiv url: http://arxiv.org/abs/2607.18308v1
• Date: Fri, 17 Jul 2026 13:34:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.175797
• Title: Agentic Calibration of Grey-Box Simulation Models: An LLM-Driven Alternative
• Title（参考訳）: グレーボックスシミュレーションモデルのエージェント校正:LCMによる代替案
• Authors: David Gómez-Guillén, Mireia Diaz, Josep Lluis Arcos, Jesús Cerquides,
• Abstract要約: グレーボックスシミュレーションモデルは高価であり、パラメータ空間は高次元であり、探索は可算性制約を尊重しなければならない。 本稿では,大規模言語モデルが制約として機能するエージェントキャリブレーション手法を提案する。 エージェントキャリブレーションは、かなり少ないモデル評価で競合性能を達成する。
• 参考スコア（独自算出の注目度）: 1.3066182802188202
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Calibration of grey-box simulation models is a constrained optimization problem in which model evaluations are expensive, the parameter space can be high-dimensional, and the search must respect plausibility constraints. Although the simulation code is fully available to the analyst, the joint effect of multiple parameters remains difficult to predict analytically. Classical optimizers such as Nelder--Mead (NM) are simple to deploy but sample-inefficient, particularly under constraints. Modern Bayesian Optimization methods achieve competitive solutions with far fewer evaluations but require non-trivial modeling machinery for constraint handling. We introduce an agentic calibration method in which a large language model acts as the optimizer, with constraints incorporated as a plain-language section of the system prompt. We evaluate the agentic method, NM, and Bayesian Optimization (BO) on an anal cancer simulation model under both unconstrained and clinically constrained calibration. Under unconstrained calibration, the agentic method achieves substantially lower best error than BO and NM, while requiring fewer model evaluations. Under constrained calibration, the agentic method reaches comparable error levels and both outperform NM. These results are obtained at the cost of increased inference time per iteration. Agentic calibration achieves competitive performance with substantially fewer model evaluations, and constraint handling is essentially free at the modeller-facing interface through simple textual specifications rather than additional modelling machinery. The main trade-off lies in increased per-iteration inference cost, making the approach particularly suitable when simulation time dominates. Beyond performance, the per-iteration rationale makes the search auditable and explainable, so its decisions can be scrutinised and justified to third parties.
• Abstract（参考訳）: グレーボックスシミュレーションモデルの校正は、モデル評価が高価であり、パラメータ空間は高次元であり、探索は妥当性の制約を尊重しなければならないという制約付き最適化問題である。 シミュレーションコードはアナリストが完全に利用できるが、複数のパラメータの結合効果を解析的に予測することは困難である。 Nelder--Mead (NM)のような古典的なオプティマイザは簡単にデプロイできるが、特に制約下ではサンプル非効率である。 現代のベイズ最適化法は、はるかに少ない評価で競合解を達成するが、制約処理には非自明なモデリング機構を必要とする。 本稿では,システムプロンプトの平易な部分として制約が組み込まれ,大規模言語モデルがオプティマイザとして機能するエージェントキャリブレーション手法を提案する。 非拘束的, 臨床的に制約された校正条件下で, 肛門癌シミュレーションモデルを用いて, エージェント法, NM, ベイズ最適化(BO)を評価した。 非拘束キャリブレーションの下では、エージェント法はBOやNMよりもかなり低い誤差を達成できるが、モデル評価は少ない。 制限されたキャリブレーションの下では、エージェント法は同等のエラーレベルに達し、どちらもNMを上回っている。 これらの結果は、1イテレーション当たりの推論時間の増加というコストで得られる。 エージェントキャリブレーションは、モデル評価を著しく少なくして競合性能を達成し、制約ハンドリングは、追加のモデリング機械ではなく、単純なテキスト仕様によって、基本的にはモデラーインタフェースで自由である。 主なトレードオフは、イテレーション当たりの推論コストの増加であり、シミュレーション時間が支配するアプローチが特に適している。 パフォーマンス以外にも、項目ごとの合理性により、検索が監査可能で説明可能になり、その決定を第三者に精査して正当化することができる。

関連論文リスト

• Opt-Verifier: Unleashing the Power of LLMs for Optimization Modeling via Dual-Side Verification [53.763212981479455]
  本稿では、構造と解の両方の観点から、デュアルサイド検証(Opt-Verifier)を用いた新しいフレームワークを提案する。 一般的なベンチマーク実験により、我々の手法は精度が20%以上向上していることが示された。
  論文  参考訳（メタデータ） (2026-05-28T08:09:52Z)
• Calibrating Agent-Based Financial Markets Simulators with Pretrainable Automatic Posterior Transformation-Based Surrogates [5.002657036975061]
  エージェントベースモデル(ABM)は複雑な社会システムをシミュレーションするための重要な最適化問題である。 目的は、シミュレーションデータと実世界の観測との差を最小限に抑えて、与えられたABMの最適パラメータを特定することである。 既存の手法では,1) ABMの非線形だがマルチモーダルな性質のため,元の評価関数のサロゲートは困難であり,2) 一般的なサロゲートは複数のキャリブレーションタスク間で最適化経験を共有できない。 本研究は、負相関探索と適応信頼回帰を用いた自動後部変換を提案する。
  論文  参考訳（メタデータ） (2026-01-11T14:05:26Z)
• LLM-guided Chemical Process Optimization with a Multi-Agent Approach [8.714038047141202]
  本稿では,最小限のプロセス記述から動作制約を自律的に推論するマルチエージェントLLMフレームワークを提案する。 当社のAutoGenベースのフレームワークは、制約生成、パラメータ検証、シミュレーション、最適化ガイダンスのための特別なエージェントを備えたOpenAIのo3モデルを採用しています。
  論文  参考訳（メタデータ） (2025-06-26T01:03:44Z)
• Automatic Gradient Estimation for Calibrating Crowd Models with Discrete Decision Making [0.0]
  候補解の選択を規定する勾配は, サンプルシミュレーショントラジェクトリから算出される。 一般的な社会力モデルに基づく集団避難モデルの校正について考察する。
  論文  参考訳（メタデータ） (2024-04-06T16:48:12Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• Sharp Calibrated Gaussian Processes [58.94710279601622]
  キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。 本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。 我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:17:36Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• Modular Conformal Calibration [80.33410096908872]
  回帰における再校正のためのアルゴリズムを多種多様なクラスで導入する。 このフレームワークは、任意の回帰モデルをキャリブレーションされた確率モデルに変換することを可能にする。 我々は17の回帰データセットに対するMCCの実証的研究を行った。
  論文  参考訳（メタデータ） (2022-06-23T03:25:23Z)
• Calibrating Over-Parametrized Simulation Models: A Framework via Eligibility Set [3.862247454265944]
  厳密な頻繁な統計的保証を満たす校正手法を開発するための枠組みを開発する。 本手法は,書籍市場シミュレータのキャリブレーションへの応用を含む,いくつかの数値例で実証する。
  論文  参考訳（メタデータ） (2021-05-27T00:59:29Z)
• Nonintrusive Uncertainty Quantification for automotive crash problems with VPS/Pamcrash [0.0]
  サロゲートモデル(メタモデル)はモンテカルロプロセスの計算コストを劇的に削減できる。 カーネル主成分分析(kPCA)はモデル結果記述の簡略化に有効である。 ベンチマーククラッシュテストは、メタモデルとkPCAを組み合わせる効率を示すために使用される。
  論文  参考訳（メタデータ） (2021-02-15T16:59:39Z)

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。