論文の概要: RestoreBench: Can AI Agents Restore Power Flow Convergence?
- arxiv url: http://arxiv.org/abs/2609.00384v1
- Date: Mon, 31 Aug 2026 21:15:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.101923
- Title: RestoreBench: Can AI Agents Restore Power Flow Convergence?
- Title（参考訳）: RestoreBench: AIエージェントは、Power Flow Convergenceを復元できるか?
- Abstract要約: 非収束パワーフローケースの診断と解決は、有望だがほとんど探索されていないアプリケーションである。
複数のLLMと3つのアーキテクチャにまたがるこれらの機能を評価するベンチマークを導入する。
評価は2つの電力網と1グリッドあたり46ケースをカバーし、それぞれ収束を回復するために1つ以上の補正措置を必要とする。
- 参考スコア（独自算出の注目度）: 2.4326395001229053
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large Language Model (LLM) agents increasingly automate multi-step engineering workflows through tool use, interpretation of intermediate results, and iterative planning. Diagnosing and resolving non-convergent power flow cases is a promising yet largely unexplored application, as it requires engineering judgment, experimentation, and decision-making within constrained action spaces. We introduce a benchmark that evaluates these capabilities across multiple LLMs and three architectures: \emph{chatbot}, \emph{single agent}, and \emph{multi-agent} systems. The evaluation covers two power grids and 46 cases per grid, each requiring one or more corrective actions to restore convergence. The benchmark defines the simulation environment, observation and action spaces, and evaluation metrics, providing a reproducible foundation for developing agentic AI systems for power system planning and operation. The code is available at https://github.com/Mansutti081/RestoreBench
- Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、ツールの使用、中間結果の解釈、反復的な計画を通じて、多段階のエンジニアリングワークフローを自動化する。
非収束パワーフローケースの診断と解決は、工学的な判断、実験、および制約された行動空間内での意思決定を必要とするため、有望だがほとんど探索されていないアプリケーションである。
本稿では,複数のLLMおよび3つのアーキテクチャ, \emph{chatbot}, \emph{single agent}, \emph{multi-agent}システムでこれらの機能を評価するベンチマークを紹介する。
評価は2つの電力網と1グリッドあたり46ケースをカバーし、それぞれ収束を回復するために1つ以上の補正措置を必要とする。
このベンチマークは、シミュレーション環境、観測と行動空間、および評価メトリクスを定義し、電力系統計画と運用のためのエージェントAIシステムの開発のための再現可能な基盤を提供する。
コードはhttps://github.com/Mansutti081/RestoreBenchで入手できる。
関連論文リスト
- LLMs and Agentic AI Systems for Smart Grids: A Tutorial on Architectures and Applications [5.111428111198726]
大規模言語モデル(LLM)とエージェントAIシステムは、自然言語タスクから、技術的ドメインにおける計画、検索、行動のための外部ツールへと進化してきた。
本稿では,信頼性ツールから発生し,明示的な検証を経た場合にのみ数値結果が報告される,解法基底設計の原理を提案する。
エージェントシステムは、信頼できるツールが計算し、検証ゲートが報告されるものを決定する間、確実にオーケストレーションし、検索し、説明する。
論文 参考訳（メタデータ） (2026-07-20T16:45:13Z) - The Meta-Agent Challenge: Are Current Agents Capable of Autonomous Agent Development? [80.24951682268332]
本稿では,自律エージェント開発のためのフロンティアモデルのキャパシティをテストするための評価フレームワークであるMeta-Agent Challenge(MAC)を紹介する。
評価の整合性を確保するため、このフレームワークは報奨ハッキングに対する多層防御によって確保される。
メタエージェントは人間工学的な基本方針とほとんど一致せず、その一部はプロプライエタリなフロンティアモデルに支配されている。
論文 参考訳（メタデータ） (2026-06-03T04:58:17Z) - MLS-Bench: A Holistic and Rigorous Assessment of AI Systems on Building Better AI [92.82821272460423]
MLS-Benchは、AIシステムが一般化可能なスケーラブルなMLメソッドを発明できるかどうかを評価するためのベンチマークである。
本研究では, エージェントの探索性能に及ぼすテスト時間スケーリング, 適応型計算アロケーション, コンテキストプロビジョニングの影響について検討する。
論文 参考訳（メタデータ） (2026-05-09T04:29:46Z) - AgentArk: Distilling Multi-Agent Intelligence into a Single LLM Agent [57.10083973844841]
AgentArkは、マルチエージェントダイナミクスを単一のモデルの重みに蒸留する新しいフレームワークである。
各種モデル,タスク,スケーリング,シナリオの3つの階層的蒸留戦略について検討する。
シミュレーションからトレーニングへ計算の負担をシフトさせることで、蒸留されたモデルは、複数のエージェントの強い推論と自己補正性能を示しながら、一つのエージェントの効率を保ちます。
論文 参考訳（メタデータ） (2026-02-03T19:18:28Z) - ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
6Gネットワークは複雑な層間最適化に依存している。
数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。
我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
論文 参考訳（メタデータ） (2026-01-27T13:43:59Z) - GenAgent: Scaling Text-to-Image Generation via Agentic Multimodal Reasoning [54.42973725693]
我々は,エージェント型マルチモーダルモデルを用いて,視覚的理解と生成を統一したGenAgentを導入する。
GenAgentはGenEval++とWISEのベースジェネレータ(FLUX.1-dev)のパフォーマンスを大幅に向上させる。
本フレームワークは,1) 様々な機能を持つジェネレータへのクロスツール一般化,2) インタラクションラウンド間で一貫した改善を伴うテスト時間スケーリング,3) タスクに自動的に適応するタスク適応推論の3つの重要な特性を示す。
論文 参考訳（メタデータ） (2026-01-26T14:49:04Z) - Speculative Actions: A Lossless Framework for Faster Agentic Systems [6.708126506152481]
AIエージェントの実行は遅く、トレーニングや評価、デプロイメントを妨げていることが多い。
マイクロプロセッサにおける投機的実行に着想を得て,より高速なモデルを用いて潜在的行動を予測するフレームワークを提案する。
我々は,このフレームワークを3つのエージェント環境 – ゲーム,eコマース,Web検索,オペレーティングシステム環境のための"ロッキー"拡張 – で評価する。
論文 参考訳（メタデータ） (2025-10-05T21:28:11Z) - Foam-Agent 2.0: An End-to-End Composable Multi-Agent Framework for Automating CFD Simulation in OpenFOAM [3.8790078849619074]
我々は、単一の自然言語プロンプトからエンドツーエンドのOpenFOAMワークフロー全体を自動化するマルチエージェントフレームワークであるFoam-Agentを紹介した。
このフレームワークは、MCP(Model Context Protocol)を使用して、コア機能を独立した呼び出し可能なツールとして公開する。
110のシミュレーションタスクのベンチマークで、Foam-AgentはClaude 3.5 Sonnetで88.2%の成功率を達成した。
論文 参考訳（メタデータ） (2025-09-17T23:44:18Z) - Reinforcement Learning for Machine Learning Engineering Agents [52.03168614623642]
強化学習によって改善される弱いモデルによって支援されるエージェントは、はるかに大きいが静的モデルによって支援されるエージェントよりも優れていることを示す。
分散非同期RLフレームワークにおいて,高コストかつ高利回りな動作を増幅するための時間依存性の勾配更新を提案する。
また,早期に失敗するプログラムとほぼ正しくないプログラムを区別し,部分クレジットを提供する環境機器を提案する。
論文 参考訳（メタデータ） (2025-09-01T18:04:10Z) - MetaAgent: Automatically Constructing Multi-Agent Systems Based on Finite State Machines [23.407716896592383]
本稿では,マルチエージェントシステムの自動生成が可能な有限状態マシンベースのフレームワークを提案する。
タスク記述を前提として、MetaAgentはマルチエージェントシステムを設計し、最適化アルゴリズムによってそれを洗練する。
マルチエージェントシステムがデプロイされると、有限状態マシンがエージェントのアクションと状態遷移を制御する。
論文 参考訳（メタデータ） (2025-07-30T12:22:30Z) - CodeAgents: A Token-Efficient Framework for Codified Multi-Agent Reasoning in LLMs [16.234259194402163]
マルチエージェント推論を符号化し、マルチエージェントシステムにおける構造化されたトークン効率の計画を可能にするプロンプトフレームワークであるCodeAgentsを紹介する。
その結果, 計画性能は一貫した改善がみられ, 基本となる自然言語よりも3～36ポイントの絶対的な向上が見られた。
論文 参考訳（メタデータ） (2025-07-04T02:20:19Z) - ThinkGeo: Evaluating Tool-Augmented Agents for Remote Sensing Tasks [64.86209459039313]
ThinkGeoは、構造化ツールの使用とマルチステップ計画を通じて、リモートセンシングタスクにおけるツール拡張エージェントを評価するために設計されたエージェントベンチマークである。
我々はReActスタイルの対話ループを実装し,486 個の構造化エージェントタスク上でのオープンソース LLM とクローズドソース LLM の両方を1,773 個の専門家が検証した推論ステップで評価する。
分析の結果、ツールの精度とモデル間の計画整合性に顕著な相違が明らかになった。
論文 参考訳（メタデータ） (2025-05-29T17:59:38Z)
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。