論文の概要: Separating Engineering Reasoning from DEXPI Serialization in LLM-Based Greenfield Surface-Process Design: A Three-Case Study for Underground Gas Storage
- arxiv url: http://arxiv.org/abs/2609.12656v1
- Date: Fri, 11 Sep 2026 10:02:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.700466
- Title: Separating Engineering Reasoning from DEXPI Serialization in LLM-Based Greenfield Surface-Process Design: A Three-Case Study for Underground Gas Storage
- Title（参考訳）: LLM型グリーンフィールド表面処理設計におけるDEXPIシリアライゼーションからの分離工学的推論:地下ガス貯蔵の3段階的研究
- Abstract要約: 本研究では,プロセス産業におけるデータ交換(DEXPI)からエンジニアリングの推論を分離して,表現やエンジニアリングの失敗が発生した場合のシリアライズ変更を検討する。
我々は,Direct DEXPI生成と軽量エンジニアリング中間表現(IR)の生成を比較した。
- 参考スコア（独自算出の注目度）: 6.06894197301829
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models can produce engineering descriptions and structured process representations, but standards-level serialization can substantially increase the generation burden. This diagnostic study examines whether separating engineering reasoning from Data Exchange in the Process Industry (DEXPI) serialization changes where representation and engineering failures occur in constrained greenfield surface-process design for underground gas storage. We compare Direct DEXPI generation with generation of a lightweight Engineering Intermediate Representation (IR) on three cases: single-pressure injection, withdrawal and export, and dual-pressure injection. All six conditions use one fixed model snapshot, qwen3.8-max-0902, with one completed hosted generation per condition. Direct outputs are XSD-valid in 2 of 3 cases, while all 3 Engineering IR outputs are structurally valid under a minimal validator. Direct prompt inputs contain approximately 121.8k-121.9k tokens, compared with 617-699 tokens for the Engineering IR prompts. Engineering feasibility does not uniformly favor the IR: one IR output is rejected for an explicit cooling-state contradiction. The cases also reveal two distinct Direct DEXPI failure modes: engineering inconsistency and standards-level serialization failure. The observed comparison shows that, in these evaluated method bundles, deferring DEXPI serialization substantially reduces representation burden and helps isolate serialization failure, but reducing representation burden alone does not eliminate engineering inconsistencies.
- Abstract（参考訳）: 大規模言語モデルは、エンジニアリング記述や構造化プロセス表現を生成することができるが、標準レベルのシリアライゼーションは、生成の負担を大幅に増加させる可能性がある。
本研究は, 地下ガス貯蔵用グリーンフィールド表面プロセス設計において, プロセス産業におけるデータ交換(DEXPI)シリアライゼーションにおける工学的推論の分離が, 表象や工学的失敗を引き起こすかどうかを検討するものである。
直接DEXPI生成と軽量エンジニアリング中間表現(IR)の生成を, 単圧注入, 退避・輸出, 二重圧注入の3例で比較した。
6つの条件は全て1つの固定モデルスナップショット、qwen3.8-max-0902を使用しており、1つの条件ごとに1つのホスト生成が完了している。
直接出力は3つのケースのうち2つでXSD-validであり、3つのエンジニアリングIR出力はすべて最小のバリデータの下で構造的に有効である。
直接のプロンプト入力には約121.8k-121.9kのトークンが含まれており、エンジニアリングIRプロンプトの617-699のトークンと対比される。
工学的な実現性はIRを均一に好まない:一方のIR出力は明示的な冷却状態の矛盾のために拒否される。
これらのケースはまた、エンジニアリングの不整合と標準レベルのシリアライゼーション障害という、2つの異なるダイレクトDXPI障害モードも明らかにしている。
評価した手法バンドルでは,DEXPIシリアライゼーションの遅延は表現負荷を大幅に低減し,シリアライゼーション障害の分離に役立つが,表現負荷の低減だけでは工学的矛盾を排除できない。
関連論文リスト
- Apodex Discovery: Reality Benchmarks and Environments for Evaluating and Building Discoverative Artificial Intelligence [86.61561123749011]
Apodex Discovery(アポデックスディスカバリー)は、重度解法を用いて発見的AIを構築し評価するためのフレームワークである。
まず16のセクターで511の業界を調査し、423の高価値現実問題を集め、最初のリリースで20を選定した。
第二に、共通の環境-タスク-エピソード抽象化は、データ、ツール、制約、フィードバック、軌跡記録、中間成果物と最終提出物の検証を提供する。
論文 参考訳（メタデータ） (2026-08-11T18:48:40Z) - Intent-Level Quantum Programming with Assertion-Guided Execution and Inspectable Intermediate Representation [0.22183164865527472]
量子ドメイン固有言語(Q)は3つのメカニズムを通して問題に対処する。
第1級IRイントロスペクション、回路幅の露光、ワイヤマッピング、操作順序、および実行前の開発者検査のための測定意図。
アサーション誘導モード推論では、エンジンが宣言された検証プロパティを調べて、サンプリング、ステートベクタ、デュアル実行を自動的に選択する。
論文 参考訳（メタデータ） (2026-07-31T18:21:32Z) - IR2Solve: Structured Intermediate Representations for Cost-Efficient Optimization Autoformulation [15.520617657780578]
大規模言語モデル(LLM)は、自然言語の最適化問題をソルバ対応の定式化に変換することができるが、直接コード生成は脆弱である。
本稿では、スキーマ制約付きモデルIRを生成するために単一のセマンティックコールを使用する、中間表現優先のオートフォーミュレーションパイプラインIR2を提案する。
具体的なスカラー制約は、有限個のインデックス単位の制約族を個々のエントリとして表現し、自由インデックスと暗黙の量子化エラーを減らす。
論文 参考訳（メタデータ） (2026-07-31T13:36:26Z) - What the LLM Should Not Say: Boundary-Aware Context Grounding for A Seven-Channel EEG Agent [8.617463707951673]
大規模言語モデル(LLM)は科学ソフトウェアをより使いやすくする。
我々は,決定論的局所脳波エンジンをハードウェア対応言語層から分離するオープンソースアーキテクチャであるNeuraDock Agentを提案する。
論文 参考訳（メタデータ） (2026-06-25T01:51:20Z) - EnvFactory: Scaling Tool-Use Agents via Executable Environments Synthesis and Robust RL [54.09410318521061]
本稿では,エージェント強化学習(Agentic RL)トレーニングのための完全に自動化されたフレームワークであるEnvFactoryを紹介する。
EnvFactoryは、認証リソースから自律的に、ステートフルで実行可能なツール環境を探索する。
トポロジーを意識したサンプリングとキャリブレーションによる自然なマルチターン軌道を合成する。
トレーニング効率とダウンストリーム性能が向上し、BFCLv3ではQwen3シリーズモデルを最大15%改善し、MPP-Atlasでは+8.6%、VitaBenchでは+6%向上した。
論文 参考訳（メタデータ） (2026-05-18T17:37:40Z) - A2RBench: An Automatic Paradigm for Formally Verifiable Abstract Reasoning Benchmark Generation [59.98516959731531]
抽象推論能力は、抽象ルールを抽出し適用するためのLLMの知性と能力を反映する。
既存のベンチマークは、高価な手作業のアノテーション、そのスケールの制限、あるいは真の推論ではなく暗記のリスク測定に頼っている。
我々はA2RBenchという名の自動パイプラインを導入し、生成、拡張、評価、分析を行う。
論文 参考訳（メタデータ） (2026-05-17T06:14:20Z) - LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。
CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
論文 参考訳（メタデータ） (2026-05-02T11:31:33Z) - RefEvo: Agentic Design with Co-Evolutionary Verification for Agile Reference Model Generation [17.822629270807283]
RefEvoはアジャイルで信頼性の高い参照モデリング用に設計された動的マルチエージェントフレームワークである。
RefEvoが95%のパスレートを達成し、静的なベースラインを大きなマージンで上回ることを示す。
論文 参考訳（メタデータ） (2026-04-27T09:22:02Z) - TermiGen: High-Fidelity Environment and Robust Trajectory Synthesis for Terminal Agents [70.68963723787424]
TermiGenは検証可能な環境とレジリエントな専門家軌道を合成するためのエンドツーエンドパイプラインである。
TermiGen-Qwen2.5-Coder-32B は TerminalBench 上で 31.3% のパスレートを達成した。
論文 参考訳（メタデータ） (2026-02-06T23:56:50Z) - SqueezeLLM: Dense-and-Sparse Quantization [80.32162537942138]
LLMにおける生成推論の主なボトルネックは、単一のバッチ推論のための計算ではなく、メモリ帯域幅である。
学習後量子化フレームワークであるSqueezeLLMを導入し、最大3ビットの超低精度でのロスレス圧縮を実現する。
本フレームワークは,2次情報に基づく最適ビット精度割当を探索する感度ベース非一様量子化法と,2次情報に基づくDense-and-Sparse分解法と,2次情報量割当値と感度重み値を効率的にスパース形式で格納するDense-and-Sparse分解法である。
論文 参考訳（メタデータ） (2023-06-13T08:57:54Z) - P-WAE: Generalized Patch-Wasserstein Autoencoder for Anomaly Screening [17.24628770042803]
Patch-wise Wasserstein AutoEncoder (P-WAE) アーキテクチャを提案する。
特に、ジグソーパズルの解法と結合したパッチワイド変分推論モデルを設計する。
MVTec ADデータセットを用いた総合的な実験は、我々のプロポの優れた性能を実証する。
論文 参考訳（メタデータ） (2021-08-09T05:31:45Z) - Partition-Guided GANs [63.980473635585234]
私たちは、スペースを小さな領域に分割し、それぞれがよりシンプルな分布を持ち、各パーティションごとに異なるジェネレータを訓練するパーティションーを設計します。
これはラベルを必要とせずに教師なしの方法で実行される。
各種標準ベンチマーク実験の結果,提案手法が近年の手法を上回っていることがわかった。
論文 参考訳（メタデータ） (2021-04-02T00:06:53Z)
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。