論文の概要: Spec2Twin-Chain: Orchestrating Bi-Level Optimization with LLMs for Blockchain Digital Twin Construction

• arxiv url: http://arxiv.org/abs/2608.30050v1
• Date: Sun, 30 Aug 2026 21:25:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.166326
• Title: Spec2Twin-Chain: Orchestrating Bi-Level Optimization with LLMs for Blockchain Digital Twin Construction
• Title（参考訳）: Spec2Twin-Chain: ブロックチェーンディジタル双対構築のためのLLMによる双方向最適化
• Abstract要約: ブロックチェーンのディジタルツインを構築するには、ドメイン知識と特定のシステム記述をシミュレータアーキテクチャに翻訳する必要がある。 ブロックチェーンのデジタル双対構造を二段階最適化問題として定式化するフレームワークであるSpec2Twin-Chainを通じて、このプロセスを自動化することを検討する。
• 参考スコア（独自算出の注目度）: 19.370692849374432
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Building a blockchain digital twin largely requires translating domain knowledge and specific system descriptions into a simulator architecture, calibrating its parameters against behavioral evidence, and validating the constructed twin. These steps are commonly performed through application-specific modeling efforts that can be difficult to reuse across systems and downstream decision problems. We consider automating this process through Spec2Twin-Chain, a framework that formulates blockchain digital-twin construction as a bi-level optimization problem. At the upper level, a large language model proposes and revises structurally admissible architectures using system specifications, behavioral evidence, and feedback from evaluated designs. At the lower level, a simulation-based optimizer calibrates the architecture-conditioned parameters under explicit objectives and guardrail constraints. The two levels iterate. The evaluated candidates at lower levels are retained in a global archive and used to guide subsequent proposals at upper levels. We conduct controlled experiments involving twin calibration, feedback-driven recovery, stress analysis, downstream policy optimization, and policy updating. The results demonstrate that the framework can construct behaviorally accurate twins, improve initial designs through iterative feedback, and reuse calibrated twins to support downstream decisions.
• Abstract（参考訳）: ブロックチェーンデジタルツインの構築には、ドメイン知識と特定のシステム記述をシミュレータアーキテクチャに翻訳し、そのパラメータを行動証拠から校正し、構築されたツインを検証することが大部分必要である。 これらのステップは一般的に、システム全体や下流の意思決定問題を再利用することが難しいアプリケーション固有のモデリングの取り組みによって実行されます。 ブロックチェーンのデジタル双対構造を二段階最適化問題として定式化するフレームワークであるSpec2Twin-Chainを通じて、このプロセスを自動化することを検討する。 上位レベルでは、システム仕様、行動証拠、評価された設計からのフィードバックを用いて、構造的に許容できるアーキテクチャを提案し、修正する。 下層では、シミュレーションベースのオプティマイザが、明示的な目的とガードレール制約の下でアーキテクチャ条件パラメータを校正する。 2つのレベルが反復する。 評価された下位レベルの候補者は、グローバルアーカイブに保管され、その後の上位レベルの提案をガイドするために使用される。 ツインキャリブレーション、フィードバック駆動リカバリ、ストレス分析、下流ポリシー最適化、ポリシー更新を含む制御実験を行う。 その結果、このフレームワークは、動作精度の高いツインの構築、反復的なフィードバックによる初期設計の改善、下流の意思決定を支援するために校正ツインを再利用できることが示されている。

関連論文リスト

• TO-Agents: A Multi-Agent AI Pipeline for Preference-Guided Topology Optimization [6.670146926866281]
  我々は、自然言語設計意図と反復的トポロジ最適化を結びつけるマルチエージェントAIフレームワークTO-Agentsを提案する。 このフレームワークは、人間が提供する問題記述を検証されたソルバ入力に変換し、トポロジ最適化ソルバを実行し、結果の3Dトポロジをレンダリングする。 本研究では,カンチレバービームベンチマークと携帯電話対応製品設計という,長期にわたる2つの設計課題に関するフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-05-20T18:32:56Z)
• Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
  大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。 本稿では,再構築による理解という,新しいパラダイムを提案する。 マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-11T09:23:20Z)
• Automated Skill Decomposition Meets Expert Ontologies: Bridging the Granularity Gap with LLMs [1.2891210250935148]
  本稿では,Large Language Models (LLM) を用いた自動スキル分解について検討する。 我々のフレームワークは、パイプラインをプロンプトと生成から正規化とオントロジーノードとのアライメントまで標準化する。 出力を評価するために、コンテンツ精度を評価するために最適な埋め込みベースのマッチングを使用するF1スコアと、粒度を評価するために構造的に正しい配置を信用する階層型F1スコアの2つの指標を導入する。
  論文  参考訳（メタデータ） (2025-10-13T12:03:06Z)
• LARES: Latent Reasoning for Sequential Recommendation [96.26996622771593]
  本稿では、シークエンシャルレコメンデーションのための新しいスケーラブルなLatent ReasoningフレームワークであるLARESを紹介する。 提案手法では,パラメータの複雑性を増大させることなく推理深度を柔軟に拡張できる再帰的アーキテクチャを用いている。 我々のフレームワークは既存の高度なモデルとのシームレスな互換性を示し、推奨性能をさらに向上させる。
  論文  参考訳（メタデータ） (2025-05-22T16:22:54Z)
• Theoretical Guarantees for LT-TTD: A Unified Transformer-based Architecture for Two-Level Ranking Systems [0.0]
  LT-TTD (Listwise Transformer with Two-Tower Distillation) は、検索とランキングフェーズをブリッジする新しい統合アーキテクチャである。 LT-TTDは, 知識蒸留強度に依存する因子によって, 検索不可能な関連項目の上限を下げることを示す。 また、統一されたランキングアーキテクチャに特化して設計された新しい評価指標UPQEを紹介する。
  論文  参考訳（メタデータ） (2025-05-07T14:01:22Z)
• A First-order Generative Bilevel Optimization Framework for Diffusion Models [57.40597004445473]
  拡散モデルは、データサンプルを反復的に分解して高品質な出力を合成する。 従来の二値法は無限次元の確率空間と禁制的なサンプリングコストのために失敗する。 我々はこの問題を生成的二段階最適化問題として定式化する。 従来の2段階法と拡散過程の非互換性を克服する。
  論文  参考訳（メタデータ） (2025-02-12T21:44:06Z)
• A Systematic Examination of Preference Learning through the Lens of Instruction-Following [83.71180850955679]
  新たな合成データ生成パイプラインを用いて48,000の命令追従プロンプトを生成する。 合成プロンプトでは、リジェクションサンプリング(RS)とモンテカルロ木探索(MCTS)の2つの選好データセットキュレーション手法を用いる。 実験により、MCTSが生成した選好ペアにおける共有プレフィックスは、限界はあるが一貫した改善をもたらすことが明らかになった。 高コントラストの選好ペアは一般的に低コントラストのペアよりも優れているが、両者を組み合わせることで最高のパフォーマンスが得られることが多い。
  論文  参考訳（メタデータ） (2024-12-18T15:38:39Z)
• Trainability maximization using estimation of distribution algorithms assisted by surrogate modelling for quantum architecture search [8.226785409557598]
  量子アーキテクチャサーチ(QAS)は、量子パラメトリック回路の構成を最適化するだけでなく、変分量子アルゴリズムのパラメータも最適化する。 本稿では,(1)粗悪な性能のアーキテクチャを積極的に破棄する評価プロセスのオンラインサロゲートモデルによる測定数を削減し,(2)BPが存在する場合の回路のトレーニングを避けることを目的とした。 我々は、変分量子固有解法の提案を実験的に検証し、我々のアルゴリズムがハミルトニアンの文献でこれまで提案されていた解を見つけることができることを示した。
  論文  参考訳（メタデータ） (2024-07-29T15:22:39Z)
• Test and Evaluation of Quadrupedal Walking Gaits through Sim2Real Gap Quantification [17.11389201781203]
  筆者らは,実システムの能力を評価し,その運用目的を満たすための2段階のアプローチを提案する。 そこで本研究では,シミュレータとハードウェア間でSim2Real Gapを識別することにより,異なる環境間で同じ手順を識別可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-04T19:24:29Z)
• AutoBERT-Zero: Evolving BERT Backbone from Scratch [94.89102524181986]
  そこで本稿では,提案するハイブリッドバックボーンアーキテクチャを自動検索するOP-NASアルゴリズムを提案する。 提案するOP-NASの効率を向上させるために,探索アルゴリズムと候補モデルの評価を最適化する。 実験の結果、検索されたアーキテクチャ(AutoBERT-Zero)は、様々な下流タスクにおいてBERTとそのバリエーションの異なるモデル容量を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-07-15T16:46:01Z)
• Machine Learning Framework for Quantum Sampling of Highly-Constrained, Continuous Optimization Problems [101.18253437732933]
  本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。 本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
  論文  参考訳（メタデータ） (2021-05-06T02:22:23Z)

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。