論文の概要: Large Language Models in the Loop: A Stability- and Network-Aware Survey in Networked Control, Cyber-Physical, and Multi-Agent Systems
- arxiv url: http://arxiv.org/abs/2609.16599v1
- Date: Tue, 15 Sep 2026 03:50:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.332633
- Title: Large Language Models in the Loop: A Stability- and Network-Aware Survey in Networked Control, Cyber-Physical, and Multi-Agent Systems
- Title（参考訳）: ループにおける大規模言語モデル:ネットワーク制御,サイバー物理,マルチエージェントシステムにおける安定性とネットワーク意識の調査
- Abstract要約: 大規模言語モデル(LLM)は、ネットワーク制御システムにおける高レベルな意思決定にますます使われている。
しかし、これらの物理的システムに必要な厳格な安定性と安全性の保証と矛盾する。
本研究では,NCS,CPS,CNSの制御ループにおいてLCMが閉ループ保証を損なうことなくどのように認識できるかを統一的に解析する。
- 参考スコア（独自算出の注目度）: 4.254099382808598
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern networked control systems (NCSs), cyber-physical systems (CPSs), and complex multi-agent network systems (CNSs) increasingly rely on large language models (LLMs) for high-level decision-making. However, the slow, stochastic nature of LLMs directly conflicts with the strict stability and safety guarantees required by these physical systems. This survey presents a unified analysis of how LLMs can be admitted into the control loop of NCS, CPS, and CNS without compromising closed-loop guarantees. We organize this around a core principle: the LLM operates as a slow supervisor adjusting high-level goals and constraints, while a fast, certified inner loop maintains physical stability. Under this framework, LLM integration maps directly to classical networked control challenges, where inference latency acts as delay, API failures as packet dropouts, tokenization as quantization, and hallucinations as bounded disturbances. We assess current developments across all these three domains, highlighting that rising model capabilities are frequently accompanied by a drop in formal safety assurances. Finally, we propose concrete future research directions, identifying the widespread lack of formal stability proofs as the field's central open problem.
- Abstract（参考訳）: 現代のネットワーク制御システム(NCS)、サイバー物理システム(CPS)、複雑なマルチエージェントネットワークシステム(CNS)は、高レベルの意思決定のために大規模言語モデル(LLM)に依存している。
しかし、LSMの遅くて確率的な性質は、これらの物理的システムに必要な厳密な安定性と安全性の保証と直接的に矛盾する。
本研究では,NCS,CPS,CNSの制御ループにおいてLCMが閉ループ保証を損なうことなくどのように認識できるかを統一的に解析する。
LLMはハイレベルな目標と制約を緩やかに調整し、高速で認証された内部ループは物理的安定性を維持する。
このフレームワークでは、LLM統合は、遅延遅延が遅延として、API障害がパケットドロップアウトとして、トークン化が量子化として、幻覚が境界障害として動作する古典的なネットワーク制御課題に直接マップする。
これら3つの領域のすべてにわたる現在の発展を評価し、モデル能力の上昇は、公式な安全保証の低下を伴うことが多いことを強調した。
最後に,形式的安定性証明の広範な欠如をフィールドの中心的オープン問題とみなす,具体的な今後の研究方向性を提案する。
関連論文リスト
- A Secure and Private Distributed Bayesian Federated Learning Design [56.92336577799572]
DFL(Distributed Federated Learning)は、中央パラメータサーバを持たない大規模システム間の分散モデルトレーニングを可能にする。
DFLは、3つの重要な課題に直面している: 正直な隣人からのプライバシー漏洩、中央調整の欠如による収束の遅さ、モデルの精度の低下を目指すビザンティンの敵に対する脆弱性。
本稿では,ビザンチンの堅牢性,プライバシー保護,収束促進を統合した新しいDFLフレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-23T16:12:02Z) - Reinforcement Learning for Control Systems with Time Delays: A Comprehensive Survey [2.3602634041257624]
強化学習(RL)は複雑な力学系の制御と意思決定において顕著な成功を収めた。
ほとんどのRLアルゴリズムはマルコフ決定過程(Markov Decision Process)の仮定に依存している。
本稿では,制御系の時間遅延に対処するRL法に関する総合的な調査を行う。
論文 参考訳（メタデータ） (2026-01-30T23:25:30Z) - Kernel-Based Learning of Safety Barriers [0.9367224590861915]
安全クリティカルなアプリケーションにおけるAIアルゴリズムの迅速な統合は、厳格な安全基準を満たす能力に対する懸念を高めている。
従来の安全検証ツールでは、AI駆動システムのブラックボックスの性質に苦戦している。
離散時間力学を用いたブラックボックスシステムの安全性検証と合成のためのデータ駆動方式を提案する。
論文 参考訳（メタデータ） (2026-01-17T10:42:35Z) - LatencyPrism: Online Non-intrusive Latency Sculpting for SLO-Guaranteed LLM Inference [1.280379756275477]
我々は,最初のゼロ侵入型マルチプラットフォーム遅延推論システムPrismを提示する。
パイプライン全体のレイテンシの彫刻を分解し、予測異常を積極的に警告し、コードやサービスの再起動を必要とせずにSLOへの準拠を保証することを目的としている。
我々は、根本原因分析に関する広範な実験と調査を行い、Prismの能力を実証する。
論文 参考訳（メタデータ） (2026-01-14T07:46:59Z) - Robust Verification of Controllers under State Uncertainty via Hamilton-Jacobi Reachability Analysis [49.31947916567367]
Hamilton-Jacobi (J) リーチビリティ解析は、最悪の不確実性の下で最適なリーチビリティを計算できる一般的な非線形システムに対する一般的な形式的検証ツールである。
この作業は、HJローバーを介してRobust Verification Controllersのための、HJベースのリーチビリティベースのシステム検証フレームワークである。
本稿では,Ro-CoReの安全性検証とコントローラ設計のための新しい手法を提案する。
論文 参考訳（メタデータ） (2025-11-18T18:55:20Z) - Lyapunov-stable Neural Control for State and Output Feedback: A Novel Formulation [67.63756749551924]
学習ベースのニューラルネットワーク(NN)制御ポリシは、ロボット工学と制御の幅広いタスクにおいて、印象的な経験的パフォーマンスを示している。
非線形力学系を持つNNコントローラのトラクション領域(ROA)に対するリアプノフ安定性の保証は困難である。
我々は、高速な経験的ファルシフィケーションと戦略的正則化を用いて、Lyapunov証明書とともにNNコントローラを学習するための新しいフレームワークを実証する。
論文 参考訳（メタデータ） (2024-04-11T17:49:15Z) - Distributed neural network control with dependability guarantees: a
compositional port-Hamiltonian approach [0.0]
大規模なサイバー物理システムは、制御ポリシーが分散されていること、すなわち、ローカルなリアルタイム測定と近隣エージェントとの通信にのみ依存することを要求する。
最近の研究でニューラルネットワーク(NN)分散コントローラのトレーニングが提案されている。
NNコントローラの主な課題は、トレーニング中と後、すなわちクローズドループシステムは不安定であり、勾配の消失と爆発によってトレーニングが失敗する可能性があることである。
論文 参考訳（メタデータ） (2021-12-16T17:37:11Z) - Recurrent Neural Network Controllers Synthesis with Stability Guarantees
for Partially Observed Systems [6.234005265019845]
本稿では、不確実な部分観測システムのための動的制御系として、リカレントニューラルネットワーク(RNN)の重要なクラスを考える。
本稿では、再パラメータ化空間における安定性条件を反復的に強制する計画的ポリシー勾配法を提案する。
数値実験により,本手法は,より少ないサンプルを用いて制御器の安定化を学習し,政策勾配よりも高い最終性能を達成することを示す。
論文 参考訳（メタデータ） (2021-09-08T18:21:56Z) - Pointwise Feasibility of Gaussian Process-based Safety-Critical Control
under Model Uncertainty [77.18483084440182]
制御バリア関数(CBF)と制御リアプノフ関数(CLF)は、制御システムの安全性と安定性をそれぞれ強化するための一般的なツールである。
本稿では, CBF と CLF を用いた安全クリティカルコントローラにおいて, モデル不確実性に対処するためのガウスプロセス(GP)に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2021-06-13T23:08:49Z) - Stable Online Control of Linear Time-Varying Systems [49.41696101740271]
COCO-LQは、大規模なLTVシステムの入出力安定性を保証する効率的なオンライン制御アルゴリズムである。
COCO-LQの性能を実証実験とパワーシステム周波数制御の両例で実証した。
論文 参考訳（メタデータ） (2021-04-29T06:18:49Z) - Enforcing robust control guarantees within neural network policies [76.00287474159973]
本稿では、ニューラルネットワークによってパラメータ化され、ロバスト制御と同じ証明可能なロバスト性基準を適用した、一般的な非線形制御ポリシークラスを提案する。
提案手法は,複数の領域において有効であり,既存のロバスト制御法よりも平均ケース性能が向上し,(非ロバスト)深部RL法よりも最悪のケース安定性が向上した。
論文 参考訳（メタデータ） (2020-11-16T17:14:59Z)
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。