論文の概要: Evaluating LLMs as Interpretable Controllers for Dynamical Systems

• arxiv url: http://arxiv.org/abs/2607.22609v1
• Date: Sun, 14 Jun 2026 16:54:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.136127
• Title: Evaluating LLMs as Interpretable Controllers for Dynamical Systems
• Title（参考訳）: 動的システムのための解釈制御系としてのLCMの評価
• Abstract要約: 大きな言語モデル(LLM)は、意思決定や推論のタスクにますます使われています。 本研究は, LLMが動的熱環境の解釈可能な制御器として機能するかどうかを考察する。
• 参考スコア（独自算出の注目度）: 42.66608645757317
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) are increasingly used for decision-making and reasoning tasks, yet their potential as controllers for physical systems remains largely unexplored. This work investigates whether LLMs can function as interpretable controllers for a dynamic thermal environment, examining their ability to follow setpoints, interpret natural-language commands, reason about actuator effects, and incorporate prior model-based knowledge. Five LLMs of varying scales are evaluated under multiple scenarios, including settings with penalties on heater or fan usage and cases where the models have access to a physics-based prediction tool. The results show that control performance depends on model complexity: while low- and mid-scale models frequently misinterpret actuator dynamics or generate inconsistent reasoning, high-complexity models such as Qwen-3~14B and GPT-4o achieve accurate temperature tracking, stable actuator usage, and coherent explanations aligned with physical principles. Incorporating a physics-based model significantly improves control smoothness and energy efficiency by enabling anticipatory decision-making. A detailed reasoning taxonomy further reveals a clear progression from causal misinterpretation in smaller models to cohesive and temporally aware reasoning in larger ones. The findings demonstrate that LLMs can act as interpretable controllers when sufficiently capable and appropriately grounded in domain knowledge, highlighting promising opportunities for hybrid model-based and language-driven control strategies that can provide plausible explanations.
• Abstract（参考訳）: 大規模言語モデル (LLM) は意思決定や推論のタスクにますます使われているが、物理システムのコントローラとしての可能性はほとんど解明されていない。 本研究では, LLMが動的熱環境の解釈可能なコントローラとして機能し, 集合点の追従能力, 自然言語コマンドの解釈能力, アクチュエータ効果の推論能力, モデルベース知識の事前導入能力について検討する。 例えば、ヒーターやファンの使用に対する罰則の設定や、モデルが物理ベースの予測ツールにアクセス可能なケースなどである。 その結果, 制御性能はモデル複雑性に依存することが明らかとなった。低・中規模モデルはしばしばアクチュエータの力学を誤解釈したり, 不整合推論を生じるが, Qwen-3~14B や GPT-4o のような複雑度モデルでは, 正確な温度追跡, アクチュエータ使用の安定, 物理原理に整合したコヒーレントな説明が可能である。 物理モデルの導入は、予測決定を可能にすることにより、制御の滑らかさとエネルギー効率を大幅に改善する。 詳細な推論分類学は、より小さなモデルにおける因果的誤解釈から、より大きなモデルにおける結束的で時間的に認識された推論への明確な進展を明らかにしている。 この結果は,LLMが十分な能力を有し,ドメイン知識に適切に根ざした解釈可能なコントローラとして機能することを示し,実証可能な説明を提供するためのハイブリッドモデルベースおよび言語駆動型制御戦略の有望な機会を浮き彫りにしている。

関連論文リスト

• Measuring Activation Control in Large Language Models [0.5171493078033068]
  モデルが自然言語で残差ストリームを変調できる範囲を定量化する。 モデルファミリーと能力レベル全体で、ほとんどのLCMは残ストリーム活性化の方向と大きさを制御できる。 これらの結果から,イントロスペクティブ能力の増大に伴い,活性化空間自体の制御が監視の障害となる可能性が示唆された。
  論文  参考訳（メタデータ） (2026-08-21T22:12:14Z)
• In-Context Model Predictive Generation: Open-Vocabulary Motion Synthesis from Language Models to Physics [109.99871326497333]
  In-Context Model Predictive Generation (ICMPG)は、言語モデル計画と推論時の物理的フィードバックを統合するフレームワークである。 ICMPGは2つのモジュールでモデル予測制御(MPC)のようなプロセスとして運動合成を再構成する。
  論文  参考訳（メタデータ） (2026-06-25T12:50:33Z)
• Reduced-order Control and Geometric Structure of Learned Lagrangian Latent Dynamics [16.958692029614994]
  本稿では,高次元ラグランジアンシステムのための学習構造保存型低次ダイナミクスに基づく潜在制御フレームワークを提案する。 モデリングエラーの原因を定量化することにより、安定性と収束性の解釈可能な条件を導出する。 提案した制御器と解析を,学習された動作パターンを導入して不活性化系に拡張する。
  論文  参考訳（メタデータ） (2026-02-09T18:00:04Z)
• Pimp My LLM: Leveraging Variability Modeling to Tune Inference Hyperparameters [0.3186130813218338]
  大規模言語モデル(LLM)は、幅広いタスクでますます使われています。 彼らの相当な計算要求は、トレーニングと推論の両方のエネルギー効率と持続可能性に関する懸念を提起する。 最近の研究は、最適化手法を探求し、構成選択がエネルギー消費にどのように影響するかを分析している。
  論文  参考訳（メタデータ） (2026-02-06T16:18:22Z)
• Reasoning Palette: Modulating Reasoning via Latent Contextualization for Controllable Exploration for (V)LMs [49.66344956133349]
  推論能力は、大規模な(ビジョン)言語モデルのための推論時間性能と強化学習(RL)トレーニングの両方を形作る。 本稿では,戦略的文脈化のための潜在変数をモデルに付与する新しい潜在変調フレームワークであるReasoning Paletteを提案する。
  論文  参考訳（メタデータ） (2025-12-19T03:32:53Z)
• Physics-Informed Large Language Models for HVAC Anomaly Detection with Autonomous Rule Generation [2.5352713493505785]
  暖房、換気、エアコンは、世界の建築エネルギー利用のかなりの割合を占めている。 我々は、進化ループ内で動作し、異常検出ルールを自動生成、評価、精査する物理インフォームドLLMフレームワークであるPILLMを提案する。 提案手法では, 熱力学的・制御論的制約を埋め込んだ物理インフォームド・リフレクションとクロスオーバー演算子を導入し, 適応的・物理的基礎的ルールを実現する。
  論文  参考訳（メタデータ） (2025-10-20T04:43:36Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Improving Reasoning Performance in Large Language Models via Representation Engineering [2.0099933815960256]
  大規模言語モデル(LLM)の表現工学的アプローチを提案する。 モデルアクティベーションは、推論タスクを処理する際にLLMの残ストリームから読み込まれる。 LLMは、ある程度に、アクティベーションを調節することで、認識された推論能力を向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-04-28T04:58:43Z)
• Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
  本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。 我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
  論文  参考訳（メタデータ） (2022-10-23T00:45:05Z)

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。