論文の概要: Simulation Code Generation for Fluid Systems using Large Language Models: Benchmarking Models and Prompting Strategies

• arxiv url: http://arxiv.org/abs/2607.29389v1
• Date: Fri, 31 Jul 2026 13:09:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.731466
• Title: Simulation Code Generation for Fluid Systems using Large Language Models: Benchmarking Models and Prompting Strategies
• Title（参考訳）: 大規模言語モデルを用いた流体系のシミュレーションコード生成:ベンチマークモデルと試行戦略
• Abstract要約: 大規模言語モデル(LLM)は、自然言語仕様から構文的に正しいコードを生成する強力な能力を示している。 本研究では, LLMを用いて流体系モデルの中立グラフ表現を自動的に実行可能コードに変換する方法について検討する。
• 参考スコア（独自算出の注目度）: 0.8983000676504388
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) have demonstrated a strong ability to generate syntactically correct code from natural-language specifications. In this study, we explore how LLMs can be harnessed to automatically translate a neutral graph representation of fluid system models into executable code for two widely adopted simulation environments: the Python library WNTR and the Modelica Standard Library. We conduct a systematic comparison of ten state-of-the-art LLMs and six prompting strategies that differ in the contextual information supplied (e.g., code or documentation). For each configuration we assess the generated code using a suite of software-quality metrics and we validate the functional fidelity of the resulting simulation models by reproducing benchmark fluid system scenarios. Our findings offer concrete guidance for researchers and engineers seeking to integrate LLM-driven code synthesis into model-based design pipelines. While the best-performing configurations achieve acceptable syntactic quality, we observe substantial gaps remain in simulation fidelity.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、自然言語仕様から構文的に正しいコードを生成する強力な能力を示している。 本研究では LLM を用いて流体系モデルの中立グラフ表現を,Python ライブラリ WNTR と Modelica Standard Library の2つの広く採用されているシミュレーション環境用の実行可能コードに変換する方法について検討する。 我々は10の最先端LCMと、提供されたコンテキスト情報(例えば、コードやドキュメント)が異なる6つのプロンプト戦略を体系的に比較する。 各構成について,一連のソフトウェア品質指標を用いて生成したコードを評価し,ベンチマーク流体系のシナリオを再現することにより,結果のシミュレーションモデルの機能的忠実度を評価する。 我々の研究結果は、LLM駆動のコード合成をモデルベース設計パイプラインに統合しようとする研究者やエンジニアに具体的なガイダンスを提供する。 最も優れた構成は構文的品質を許容できるが、シミュレーションの忠実さにかなりのギャップが残っているのを観察する。

関連論文リスト

• The Imitation Game: When LLMs Learn to Reason Like Programs via Code-Centric Reasoning Data Synthesis [50.473217152006875]
  MIMICは、データ合成を推論するための厳密な媒体として実行可能なコードを活用するフレームワークである。 MIMICは、ナラティブ融合、コード誘導テスト合成、動的コードインスツルメンテーションを通じて、アルゴリズムを検証可能な推論軌道に変換する。 提案手法は, 一般的な推論, 複雑な数学的ベンチマーク, きめ細かい決定論的タスクにおいて, 精度を著しく向上させる。
  論文  参考訳（メタデータ） (2026-09-13T17:04:16Z)
• Generative Artificial Intelligence (GenAI) to convert images of queuing networks into verifiable simulation models: an open-weight LLM workflow approach [0.0]
  Sketch2DESは、キューイングネットワークの図式表現を検証可能なシミュレーションモデルに変換するスケッチからシミュレーションのワークフローである。 複雑度の異なる8つのキュー・ネットワーク・ダイアグラムのアプローチを評価する。
  論文  参考訳（メタデータ） (2026-07-27T10:50:37Z)
• 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)
• RuC: HDL-Agnostic Rule Completion Benchmark Generation [1.8927558216457558]
  大規模言語モデル(LLM)は、コード関連のタスク間で急速にパフォーマンスが向上している。 言語に依存しないルール補完(RuC)のためのフレームワークを提案する。 RuCは、入力ハードウェア記述ソースのセットからRTLコード補完タスクを生成する。
  論文  参考訳（メタデータ） (2026-04-30T12:19:40Z)
• Code Fingerprints: Disentangled Attribution of LLM-Generated Code [7.515488307576106]
  生成したコードに責任を負うソースLLMを決定することを目的とした,モデルレベルのコード属性の問題について検討する。 本稿では、ソース非依存のセマンティック情報とソース-特異なスタイル表現を分離するDisentangled Code Attribution Network (DCAN)を提案する。 4つのプログラミング言語で広く使われている4つの大規模言語モデル(LLM)が生成するコードからなる,最初の大規模ベンチマークデータセットを構築した。
  論文  参考訳（メタデータ） (2026-03-04T15:58:36Z)
• SimLLM: Fine-Tuning Code LLMs for SimPy-Based Queueing System Simulation [19.709345153687142]
  PythonパッケージSimPyはキューシステムのモデリングに広く使われている。 大規模言語モデル(LLM)の最近の進歩は、明確で実行可能なコードを生成する強力な能力を示している。 キュレートしたSimPyキューデータ上で,オープンソースのLLMであるQwen-Coder-7BとDeepSeek-Coder-6.7Bを微調整する。
  論文  参考訳（メタデータ） (2026-01-10T11:53:39Z)
• From Code Foundation Models to Agents and Applications: A Practical Guide to Code Intelligence [150.3696990310269]
  大規模言語モデル(LLM)は、自然言語記述を直接関数コードに変換することによって、自動ソフトウェア開発を変革した。 コードLLMに関する総合的な合成と実践的ガイド(一連の解析および探索実験)を提供する。 一般LLM(GPT-4, Claude, LLaMA)とコード特殊化LLM(StarCoder, Code LLaMA, DeepSeek-Coder, QwenCoder)のコード機能の解析を行う。
  論文  参考訳（メタデータ） (2025-11-23T17:09:34Z)
• Discrete Tokenization for Multimodal LLMs: A Comprehensive Survey [69.45421620616486]
  本研究は、大規模言語モデル(LLM)用に設計された離散トークン化手法の最初の構造的分類と解析である。 古典的および近代的なパラダイムにまたがる8つの代表的なVQ変種を分類し、アルゴリズムの原理を分析し、力学を訓練し、LLMパイプラインとの統合に挑戦する。 コードブックの崩壊、不安定な勾配推定、モダリティ固有の符号化制約など、重要な課題を特定する。
  論文  参考訳（メタデータ） (2025-07-21T10:52:14Z)
• SIMCOPILOT: Evaluating Large Language Models for Copilot-Style Code Generation [5.880496520248658]
  SIMCOPILOTは、対話型"コパイロット"スタイルのコーディングアシスタントとして、大規模言語モデル(LLM)の役割をシミュレートするベンチマークである。 ベンチマークには、Java(SIMCOPILOTJ)とPython用の専用のサブベンチマークが含まれている。
  論文  参考訳（メタデータ） (2025-05-21T04:59:44Z)
• Reference Trustable Decoding: A Training-Free Augmentation Paradigm for Large Language Models [79.41139393080736]
  大規模言語モデル(LLM)は急速に進歩し、印象的な機能を示している。 In-Context Learning (ICL) など。 効率的なファインチューニング(PEFT)は、現在2つの主要な拡張方法である。 下流タスクへのLLM。 我々は、モデルが微調整なしで新しいタスクに迅速に適応できるパラダイムである参照信頼復号(RTD)を提案する。
  論文  参考訳（メタデータ） (2024-09-30T10:48:20Z)
• Language Models Enable Simple Systems for Generating Structured Views of Heterogeneous Data Lakes [54.13559879916708]
  EVAPORATEは大規模言語モデル(LLM)を利用したプロトタイプシステムである。 コード合成は安価だが、各文書をLSMで直接処理するよりもはるかに正確ではない。 直接抽出よりも優れた品質を実現する拡張コード実装EVAPORATE-CODE+を提案する。
  論文  参考訳（メタデータ） (2023-04-19T06:00:26Z)

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。