論文の概要: Deploying Frontier Agentic Technology in MOOSEnger, a Multiphysics-Capable AI Assistant
- arxiv url: http://arxiv.org/abs/2608.15881v1
- Date: Sun, 16 Aug 2026 18:07:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.459176
- Title: Deploying Frontier Agentic Technology in MOOSEnger, a Multiphysics-Capable AI Assistant
- Title（参考訳）: 多機能AIアシスタントMOOSEngerにおけるフロンティアエージェント技術の展開
- Abstract要約: MOOSEngerは、MOOSE Framework用に開発されたツール対応AIエージェントである。
この作業はMOOSEngerを拡張し、ローカルにホストされたモデルに重点を置いている。
このフレームワークは、National Reactor Innovation Center Virtual Test Bedのエンジニアリング上の問題で実証されている。
- 参考スコア（独自算出の注目度）: 4.574754063906917
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Multiphysics Object-Oriented Simulation Environment (MOOSE) is an open-source finite-element framework for building multiphysics simulation applications. Using a multiphysics environment effectively demands specialized expertise, creating a barrier for many domain scientists and engineers. MOOSEnger, developed at Idaho National Laboratory (INL), is a domain-specific, tool-enabled AI agent built for the MOOSE Framework. This work extends MOOSEnger with a harness focused on locally-hosted models. The harness gives the agent a full pipeline: it retrieves contextual knowledge from the MOOSE repository, validates and diagnoses the resulting input through interaction with the simulation executable environment, and extracts and stores lessons in a persistent memory. The resulting framework is demonstrated on an engineering problem from the National Reactor Innovation Center Virtual Test Bed (VTB), illustrating its potential to support realistic multiphysics simulation workflows. Additionally, the agent performance is evaluated on different categories including diffusion, Navier--Stokes, phase field, plasticity, porous media flow, solid mechanics, transient heat transfer, and reactor mesh generation. Each category consists of 25 prompts/cases. We compare MOOSEnger-Gemma4 against MOOSEnger-GPT-5.2, alongside baseline Gemma4 and GPT-5.2 without agentic capabilities. MOOSEnger-GPT-5.2 shows a slight edge, achieving a 90\% success rate versus 76.5\% for MOOSEnger-Gemma4. The baseline models perform far worse, at just 5\% (GPT-5.2) and 0\% (Gemma4), underscoring the impact of the agentic harness.
- Abstract（参考訳）: Multiphysics Object-Oriented Simulation Environment (MOOSE)は、マルチ物理シミュレーションアプリケーションを構築するためのオープンソースの有限要素フレームワークである。
多分野の環境を効果的に利用するためには、専門的な専門知識が必要であり、多くのドメイン科学者やエンジニアにとって障壁となる。
アイダホ国立研究所(INL)が開発したMOOSEngerは、MOOSEフレームワーク用に開発された、ドメイン固有のツール対応AIエージェントである。
この作業はMOOSEngerを拡張し、ローカルにホストされたモデルに重点を置いている。
ハーネスはエージェントに完全なパイプラインを与え、MOOSEリポジトリからコンテキスト知識を取得し、シミュレーション実行環境とのインタラクションを通じて結果のインプットを検証および診断し、永続的なメモリでレッスンを抽出し、保存する。
結果として得られたフレームワークは、実際の多物理シミュレーションワークフローをサポートする可能性を示す、National Reactor Innovation Center Virtual Test Bed (VTB)のエンジニアリング上の問題で実証されている。
さらに, 拡散, ナビエ-ストークス, 相場, 塑性, 多孔質媒質流, 固体力学, 過渡熱伝達, 反応器メッシュ生成など, 様々なカテゴリーでエージェント性能を評価した。
各カテゴリーは25のプロンプト/ケースで構成されている。
我々は,MOOSEnger-Gemma4とMOOSEnger-GPT-5.2を比較した。
MOOSEnger-GPT-5.2 はわずかにエッジを示し、MOOSEnger-Gemma4 では 76.5 % に対して90% % の成功率を達成した。
ベースラインモデルは5\% (GPT-5.2) と0\% (Gemma4) ではるかに悪化し、エージェントハーネスの影響を裏付ける。
関連論文リスト
- SPADE: Self-Play in Adaptive Synthetic Executable Environments [110.80471334001574]
1つのLLMが2つの役割を演じるセルフプレイのRLフレームワークであるSPADEを紹介する。
Environment Designerは、OpenAI Gymスタイルのreset()/step()インターフェイスで実行可能なコードとして、完全な長距離トレーニング環境を記述する。
環境デザイナは,大規模な事前学習コーパスから採取した文書に基づいて構築し,蓄積した環境記憶を与える。
論文 参考訳（メタデータ） (2026-08-19T17:58:56Z) - KAT-Coder-V2.5 Technical Report [61.907486544595336]
KAT-Coder-V2.5は、実際の実行可能リポジトリ内で自律的に動作するよう訓練されたコーディング中心のエージェントモデルである。
マルチ言語リポジトリをサンドボックス環境に再構築し、フェイル・ツー・パスとパス・ツー・パスの検証を大規模に行う。
我々はさらに、ハーネスランダム化による強化学習、信頼性の強化されたサンドボックス、非対称なアクター-クリティックPPO、およびハイチ指向の報酬フレームワークをスケールする。
論文 参考訳（メタデータ） (2026-07-06T08:14:02Z) - Qwen-AgentWorld: Language World Models for General Agents [91.26917996662104]
世界モデルは、現在の観測と行動に基づいて環境力学を予測する。
3段階のトレーニングパイプラインを通じてQwen-AgentWorldを開発した。
Qwen-AgentWorldはエージェントRLのための数千の現実世界環境のスケーラブルで制御可能なシミュレーションをサポートする。
論文 参考訳（メタデータ） (2026-06-23T13:53:55Z) - HydroAgent: Closing the Gap Between Frontier LLMs and Human Experts in Hydrologic Model Calibration via Simulator-Grounded RL [6.680830184790049]
分散水理モデルの校正は、運用水資源管理における重要なボトルネックである。
我々は、フロンティア大言語モデル(LLM)エージェントが人間の水理モデルに取って代わることができ、そうでなければ何が必要かと尋ねる。
我々は,アメリカ国立気象局がフラッシュフロード予測のために使用しているCREST分散水理モデル上で,9つのフロンティアLSMエージェントをベンチマークした。
論文 参考訳（メタデータ） (2026-05-18T03:17:38Z) - Source-Code Analysis of iFogSim for Simulating Distributed IoT Architectures: Coverage, Challenges, and Enhancements [0.0]
iFogSimは、フォグとエッジコンピューティングの研究コミュニティで広く採用されているプラットフォームの1つだ。
しかし、非標準のアプリケーション固有のアーキテクチャにiFogSimを使った経験は、まだ完全に文書化されていない。
この記事では2つの補完的なコントリビューションを通じて、そのガイダンスを提供するのに役立ちます。
論文 参考訳（メタデータ） (2026-04-25T03:20:25Z) - OccuBench: Evaluating AI Agents on Real-World Professional Tasks via Language Environment Simulation [57.505743202759646]
OccuBenchは10の業界カテゴリと65の専門ドメインにわたる100の現実のプロフェッショナルタスクシナリオをカバーするベンチマークである。
我々のマルチエージェント合成パイプラインは, 可溶性, 校正困難, 文書基底の多様性を保証した評価インスタンスを自動生成する。
論文 参考訳（メタデータ） (2026-04-13T00:27:32Z) - AutoMOOSE: An Agentic AI for Autonomous Phase-Field Simulation [0.0]
AutoMOOSEは、ひとつの自然言語プロンプトから完全なシミュレーションライフサイクルを編成するエージェントフレームワークである。
MOOSEの入力ファイルは、人間の専門家参照と正確に一致する12のブロックのうち6つで、機能的に等価である。
インテント、有限要素実行、そして人間による検証のないアレニウス運動論にまたがる、エンドツーエンドの物理的整合性チェックを実行する。
論文 参考訳（メタデータ） (2026-03-22T00:11:19Z) - SciAgentGym: Benchmarking Multi-Step Scientific Tool-use in LLM Agents [100.12367115920121]
SciGymAgentは4つの自然科学分野にまたがる1,780のドメイン固有ツールを備えたスケーラブルなインタラクティブ環境である。
SciAgentBenchについても紹介する。
論文 参考訳（メタデータ） (2026-02-13T14:58:18Z) - SimuAgent: An LLM-Based Simulink Modeling Assistant Enhanced with Reinforcement Learning [3.1436750864792375]
我々は,Simulinkに適したモデリングおよびシミュレーションエージェントであるSimuAgentを紹介する。
SimuAgentはXMLを簡潔な辞書スタイルのPython表現に置き換え、トークン数を劇的に削減する。
2段階で訓練された軽量な計画実行アーキテクチャは、エージェントに低レベルのツールスキルと高レベルの設計推論の両方を装備する。
論文 参考訳（メタデータ） (2026-01-08T18:10:35Z) - VAGEN: Reinforcing World Model Reasoning for Multi-Turn VLM Agents [130.70999337445468]
言語モデル(LLM)エージェントと比較して、視覚言語モデル(VLM)エージェントを訓練する際の重要な課題は、テキスト状態から複雑な視覚観察に移行することである。
VLMエージェントは、明示的な視覚状態推論によって内部世界モデルを構築することができるか?
我々は、強化学習(RL)を通して、エージェントの推論プロセスを建築的に実施し、報奨する。
エージェントの状態推定と遷移モデリングへの推論が成功に不可欠であることが分かりました。
論文 参考訳（メタデータ） (2025-10-19T16:05:07Z)
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。