論文の概要: LLM Agents Perform Controlled Experiments Using Simulation Models

• arxiv url: http://arxiv.org/abs/2608.23622v1
• Date: Sat, 22 Aug 2026 18:54:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.424602
• Title: LLM Agents Perform Controlled Experiments Using Simulation Models
• Title（参考訳）: シミュレーションモデルを用いたLLMエージェントの制御実験
• Abstract要約: 大規模言語モデル(LLM)は推論、計画、ツール使用において強力な能力を示している。 本稿では, LLM エージェントが医薬品プロセス設計のための科学シミュレーションモデルを用いて, 制御された実験を行えるマルチエージェントフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.0449796527610344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) have shown strong capabilities in reasoning, planning, and tool use, but many scientific and engineering tasks require more than plausible text and code generation. They require understanding how a system responds to intervention, which in practice depends on controlled experimentation. In this work, we propose a multi-agent framework that enables LLM agents to conduct controlled experiments with scientific simulation models for pharmaceutical process design. Given a user query and a baseline configuration, the system constructs a structured task representation, designs experiments, executes comparative simulation, interprets the resulting outcomes, and synthesizes evidence-based recommendations for process parameter optimization. By coupling language models with high-fidelity simulation models in an interactive agent framework, the proposed system supports reasoning through intervention, comparison, and observation. As a result, it produces more specific and actionable outputs than language-only reasoning. In an industrial application setting, this advantage is reflected in higher output specificity as well as improved user-rated correctness and helpfulness. Ablation studies and visualized case analyses further demonstrate the effectiveness and practical utility of simulation-integrated experimental reasoning.
• Abstract（参考訳）: 大規模言語モデル(LLM)は推論、計画、ツールの使用において強力な能力を示しているが、多くの科学的および工学的なタスクは、もっともらしいテキストやコード生成以上のものを必要としている。 システムがどのように介入に反応するかを理解する必要があるが、実際には制御された実験に依存している。 本研究では,LLMエージェントが医薬品プロセス設計のための科学シミュレーションモデルを用いて,制御された実験を行うことを可能にするマルチエージェントフレームワークを提案する。 ユーザクエリとベースライン構成を与えられたシステムは、構造化されたタスク表現を構築し、実験を設計し、比較シミュレーションを実行し、結果の解釈を行い、プロセスパラメータ最適化のためのエビデンスベースのレコメンデーションを合成する。 対話型エージェントフレームワークにおける言語モデルと高忠実度シミュレーションモデルとの結合により,提案システムは介入,比較,観察による推論を支援する。 結果として、言語のみの推論よりも具体的で実行可能な出力を生成する。 産業アプリケーション環境では、この利点は、より高い出力特異性、およびユーザレーティングの正確性と有用性の向上に反映される。 アブレーション研究と可視化事例解析は、シミュレーション統合実験推論の有効性と実用性をさらに証明している。

関連論文リスト

• Simulate, Reason, Decide: Scientific Reasoning with LLMs for Simulation-Driven Decision Making [50.05403024674141]
  MechSimは、実行可能な科学シミュレーターのためのメカニズム基底の神経象徴的推論フレームワークである。 我々のフレームワークは、仮定、変数、メカニズムの依存関係、実行トレースをキャプチャする共有構造化スキーマを通してシミュレータを表現する。 提案手法は,複数のハイテイク領域にまたがって評価され,メカニズムレベルの説明品質,シミュレータ解析,下流意思決定の信頼性が向上することを示す。
  論文  参考訳（メタデータ） (2026-06-03T06:36:51Z)
• Multi-Agent Specification-based Metamorphic Testing of FMU-Based Simulations [1.58310730488265]
  産業領域では、FMI(Functional Mock-up Interface)はシミュレーションモデルをFMU(Functional Mock-up Units)として交換するために使用される。 これらのシミュレーションモデルに有効なオーラクルを導出することは、明確な期待出力がないため、依然として困難である。 本稿では,FMUに基づくシミュレーションモデルの仕様ベースメタモルフィックテストのためのLLMを用いたマルチエージェントワークフローを提案する。
  論文  参考訳（メタデータ） (2026-05-24T14:30:56Z)
• GRACE: an Agentic AI for Particle Physics Experiment Design and Simulation [0.0]
  GRACEは、高エネルギー・核物理学における自律的な実験設計のためのシミュレーションネイティブエージェントである。 第一原理モンテカルロ法による設計変更を自律的に探索する。 それは、繰り返しシミュレーション、物理動機付きユーティリティ機能、予算対応エスカレーションを通じて、候補設計を評価する。
  論文  参考訳（メタデータ） (2026-01-31T01:12:55Z)
• Large Language Model Agent for User-friendly Chemical Process Simulations [0.0]
  大規模言語モデル (LLM) エージェントは AVEVA Process Model Protocol (MCP) と統合され、自然言語のシミュレーションを可能にする。 2つのケーススタディは、異なるタスクの複雑さと相互作用モードにわたるフレームワークを評価する。 このフレームワークは、技術的な概念の翻訳と実証によって教育目的と、データ抽出の自動化、ルーチンタスクの高速化、サポートによって経験豊富な実践者の両方に役立ちます。 オーバーシンプル化、計算エラー、技術的ヒックアップといった現在の制限は専門家の監視を必要とするが、このフレームワークはLSMベースのエージェントが貴重な協力者になれることを示唆している。
  論文  参考訳（メタデータ） (2026-01-15T12:18:45Z)
• An Agentic Framework for Autonomous Materials Computation [70.24472585135929]
  大規模言語モデル(LLM)は、科学的発見を加速するための強力なツールとして登場した。 近年の進歩はLLMをエージェントフレームワークに統合し、複雑な科学実験のための検索、推論、ツールの使用を可能にしている。 本稿では,第一原理計算の信頼性向上を目的としたドメイン特化エージェントを提案する。
  論文  参考訳（メタデータ） (2025-12-22T15:03:57Z)
• Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
  本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。 ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。 我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
  論文  参考訳（メタデータ） (2025-10-11T18:11:09Z)
• 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)
• Designing Reliable Experiments with Generative Agent-Based Modeling: A Comprehensive Guide Using Concordia by Google DeepMind [39.96801170116895]
  Generative Agent-Based Modeling (GABM)は、AI駆動エージェントが複雑な振る舞いを生成できるシミュレーションを作成することができる。 本稿では,GABMを用いた信頼性実験を設計するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-11T14:45:08Z)
• LLM experiments with simulation: Large Language Model Multi-Agent System for Simulation Model Parametrization in Digital Twins [4.773175285216063]
  本稿では,大規模言語モデル(LLM)を適用し,デジタル双生児におけるシミュレーションモデルのパラメトリゼーションを自動化する新しいフレームワークを提案する。 提案手法は,LLMの知識を取り入れたシミュレーションモデルのユーザビリティを向上させる。 このシステムは、ユーザのフレンドリさを高め、人間のユーザの認知負荷を軽減する可能性がある。
  論文  参考訳（メタデータ） (2024-05-28T11:59:40Z)
• Unlocking the Potential of User Feedback: Leveraging Large Language Model as User Simulator to Enhance Dialogue System [65.93577256431125]
  本稿では,ユーザガイド応答最適化 (UGRO) という代替手法を提案し,タスク指向の対話モデルと組み合わせる。 このアプローチでは、アノテーションのないユーザシミュレータとしてLLMを使用して対話応答を評価し、より小型のエンドツーエンドTODモデルと組み合わせる。 提案手法は従来のSOTA(State-of-the-art)よりも優れている。
  論文  参考訳（メタデータ） (2023-06-16T13:04:56Z)
• Synthetic Data-Based Simulators for Recommender Systems: A Survey [55.60116686945561]
  本調査は,モデリングとシミュレーションの分野における最近のトレンドを包括的に概観することを目的としている。 まずは、シミュレーターを実装するフレームワークの開発の背後にあるモチベーションから始めます。 我々は,既存のシミュレータの機能,近似,産業的有効性に基づいて,新しい一貫した一貫した分類を行う。
  論文  参考訳（メタデータ） (2022-06-22T19:33:21Z)

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。