論文の概要: Large Language Models and their Awareness of Mechanics and Spatial Geometry

• arxiv url: http://arxiv.org/abs/2608.14615v1
• Date: Fri, 10 Jul 2026 16:47:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.236125
• Title: Large Language Models and their Awareness of Mechanics and Spatial Geometry
• Title（参考訳）: 大規模言語モデルとその力学・空間幾何学的認識
• Abstract要約: 大規模言語モデル(LLM)は、確立されたコード生成および数学的推論ベンチマークでよく機能する。 マルチボディシミュレーションモデルの作成においてLLMを評価する完全自動ベンチマークであるMecEngを提案する。 このベンチマークは、関節と接触のある剛体システムから柔軟な多体システムまで、3つの難易度に関する84の一般的なタスクで構成されている。
• 参考スコア（独自算出の注目度）: 0.07456526005219319
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) perform well on established code-generation and mathematical-reasoning benchmarks, but their capabilities in mechanics and spatial geometry, here denoted as mechanical engineering awareness, has not been quantified systematically. We present MecEng, a fully automated benchmark that evaluates LLMs on the creation of multibody simulation models from parameterized textual descriptions. The benchmark comprises 84 generic tasks on three difficulty levels, ranging from rigid-body systems with joints and contact to flexible multibody systems that require exact 3D geometry generation, tetrahedral finite-element meshing, and Hurty-Craig-Bampton model order reduction of machine parts. A dedicated pipeline with LLMs generates simulation-ready geometry from text using Netgen, and builds multibody system models for the code Exudyn, which are then verified against expert ground truth on several levels: system-graph isomorphism including graph node annotations, numerical solutions, and part-specific measures such as mass, geometry, and eigenfrequencies. In total, 32 open-weight and two proprietary LLMs are evaluated. On rigid-body tasks, the best open-weight model obtains an overall success rate of 86.0%, compared to 91.4% for the strongest proprietary model, while flexible multibody tasks remain considerably harder. Additional studies quantify the influence of sampling temperature, reasoning, prompt design, model size, and LLM-release date. The results indicate rapidly improving, but still error-prone, mechanical engineering awareness of current LLMs.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、確立されたコード生成および数学的推論ベンチマークでよく機能するが、力学や空間幾何学におけるそれらの能力は、ここでは機械工学的認識と表現され、体系的に定量化されていない。 パラメータ化されたテキスト記述から多体シミュレーションモデルを作成する上で,LLMを評価する完全自動ベンチマークであるMecEngを提案する。 このベンチマークは、関節と接触を持つ剛体システムから、正確な3次元幾何学生成を必要とする柔軟な多体システム、四面体有限要素メッシュ、機械部品のHurty-Craig-Bamptonモデルオーダーの削減まで、3つの難易度に関する84の一般的なタスクで構成されている。 専用パイプラインはNetgenを使ってテキストからシミュレーション可能な幾何学を生成し、コードのためのマルチボディシステムモデルを構築する。Exudynは、グラフノードのアノテーションを含むシステムグラフ同型、数値解、質量、幾何、固有周波数といった部分固有測度など、いくつかのレベルで専門家の真理に対して検証される。 合計32個のオープンウェイトと2つのプロプライエタリLCMを評価した。 剛体モデルでは、最高のオープンウェイトモデルは86.0%の総成功率を得るが、最強のプロプライエタリモデルでは91.4%、フレキシブルなマルチボディタスクはずっと難しいままである。 追加研究は、サンプリング温度、推論、迅速な設計、モデルサイズ、LLMリリース日の影響を定量化する。 その結果,現在のLLMの機械工学的認識は急速に向上するが,依然としてエラーが発生しやすいことが示唆された。

関連論文リスト

• Model-Driven Discipline for Multi-Agent LLMs: Requirement-to-Verification Generation of Traceable System Models [62.62160094849002]
  RADIANTは、MDEとMulti-Agent Large Language Modelを組み合わせたエンジニアリング方法論である。 工学的なフェーズにまたがる異種モデルを自動的に生成する。 正確かつ自動的な変更インパクト分析を提供する。
  論文  参考訳（メタデータ） (2026-07-18T08:50:55Z)
• GReFEM: Multimodal LLMs as Zero-Shot Semantic Assistants for Physics-Guided 3D Mesh Refinement [0.0]
  マルチモーダル大言語モデルの高レベルな意味論的理解は、有限要素メッシュの洗練のための、実行可能なゼロショット幾何学的プロキシとして機能するのか? 2次元MLLM事前学習と3次元ジオメトリのギャップを埋めるために,重要な特徴の可観測性を最大化するビュー選択モジュールであるortoViewsを導入する。 以上の結果から,MLLMは複雑な空間物理的指示を正確に追従するために頑健なゼロショット能力を示し,ブラインドアシスタントよりも高い精度でストレス関連特徴を分離することが明らかとなった。
  論文  参考訳（メタデータ） (2026-07-08T14:46:54Z)
• LLM-driven design of physics-constrained constitutive models: two agents are better than one [0.0]
  モデル生成のためのマルチエージェントLPM駆動型アプローチを初めて導入する。 作成エージェントがデータに合わせたモデルを提案し、インスペクタエージェントが9つの物理的制約に対して各提案を監査する。 この概念を、人工ニューラルネットワーク(CANN)で実証し、脳組織、実験ゴム、合成ゴムでベンチマークする。
  論文  参考訳（メタデータ） (2026-05-22T15:27:09Z)
• Automating modeling in mechanics: LLMs as designers of physics-constrained neural networks for constitutive modeling of materials [0.0]
  大規模言語モデル(LLM)ベースのエージェントフレームワークは、タスク固有のエージェントを動的に生成するパラダイムをますます採用している。 我々は、エージェントだけでなく、科学や工学のタスクのための特殊なソフトウェアモジュールもオンデマンドで生成できることを示唆している。
  論文  参考訳（メタデータ） (2025-12-01T14:42:22Z)
• AutoHood3D: A Multi-Modal Benchmark for Automotive Hood Design and Fluid-Structure Interaction [0.0]
  このデータセットは,ロータリーディップ塗装時の流体巻き込みおよび慣性負荷による実用的多物理問題フード変形を中心に構築されている。 各フードは、合計1.2Mセルを用いたLES(Large-Eddy Simulation)-Finite Element Analysis(FEA)で数値モデル化される。 データセットは、STLメッシュと構造化された自然言語プロンプトとともに、時間分解された物理フィールドを提供する。
  論文  参考訳（メタデータ） (2025-11-05T14:09:03Z)
• Large Language-Geometry Model: When LLM meets Equivariance [53.8505081745406]
  本稿では,3次元物理システムを表現するための新しいフレームワークであるEquiLLMを提案する。 EquiLLMは分子動力学シミュレーション,ヒトの動作シミュレーション,抗体設計など,従来の手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-02-16T14:50:49Z)
• MAPS: Advancing Multi-Modal Reasoning in Expert-Level Physical Science [62.96434290874878]
  現在のMLLM(Multi-Modal Large Language Models)は、一般的な視覚的推論タスクにおいて強力な機能を示している。 我々は,MLLMに基づく物理知覚とシミュレーションによるマルチモーダル科学推論(MAPS)という新しいフレームワークを開発した。 MAPSは、専門家レベルのマルチモーダル推論タスクを物理的知覚モデル(PPM)を介して物理図理解に分解し、シミュレータを介して物理的知識で推論する。
  論文  参考訳（メタデータ） (2025-01-18T13:54:00Z)
• Geometry Matters: Benchmarking Scientific ML Approaches for Flow Prediction around Complex Geometries [23.111935712144277]
  複雑な幾何学体を取り巻く流体力学の迅速かつ正確なシミュレーションは、様々な工学的・科学的応用において重要である。 科学機械学習(SciML)はかなりの可能性を示してきたが、この分野のほとんどの研究は単純な幾何学に限られている。 本稿では,複雑な地形上での流動予測のための多種多様なSciMLモデルのベンチマークにより,このギャップを解消する。
  論文  参考訳（メタデータ） (2024-12-31T00:23:15Z)
• Simultaneous Machine Translation with Large Language Models [51.470478122113356]
  我々は,SimulMTタスクに大規模言語モデルを適用する可能性を検討する。 MUST-Cデータセットと異なる9言語でtextttLlama2-7b-chatモデルを用いて実験を行った。 その結果,LLM は BLEU と LAAL の指標で専用MT モデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-09-13T04:06:47Z)

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。