論文の概要: little m: An AI Agent for Industrial Process Optimization

• arxiv url: http://arxiv.org/abs/2609.16680v1
• Date: Tue, 15 Sep 2026 06:01:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.36725
• Title: little m: An AI Agent for Industrial Process Optimization
• Title（参考訳）: little m: 産業プロセス最適化のためのAIエージェント
• Abstract要約: 我々は,産業プロセス制御モデルの定式化を支援するAIエージェントであるlittle mを紹介する。 本稿では,50の標準シナリオからなる新しいデータセットであるIndustrial Process Control Benchmark (IPC-Bench)を紹介する。 ほとんど m は最先端の LLM を著しく上回り、意味論的に正しいモデルを生成する。
• 参考スコア（独自算出の注目度）: 6.819597984555337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Manufacturing consumes one third of global energy and still has significant room for improvement in terms of energy efficiency. Optimal process control is essential for this purpose. However, synthesizing mathematical optimization models from messy, real-world industrial specifications requires bridging unstructured natural language and spatial diagrams with rigorous mathematical syntax. This poses a profound challenge for general-purpose Large Language Models (LLMs), which may introduce invalid constraints when tasked with modeling continuous multi-physics dynamics. To address this, we introduce little m, an AI agent designed to assist the formulation of industrial process control models. Combining a domain-specific knowledge repository with LLM-driven interaction, the proposed framework formulates real-world optimization problems as mathematical models. For systematic evaluation, we introduce the Industrial Process Control Benchmark (IPC-Bench), a novel multimodal dataset of 50 canonical scenarios requiring joint reasoning over text and process diagrams. Through comprehensive automated structural assessments and double-blind human evaluation, little m substantially outperforms state-of-the-art LLMs, generating semantically correct models. These evaluations assess formulation quality rather than solver feasibility, formal physical validity, or closed-loop industrial performance. The implementation of little m and the IPC-Bench dataset are available at https://github.com/yeyongchao/process-modeling-benchmark.
• Abstract（参考訳）: 製造業は世界のエネルギーの3分の1を消費しており、エネルギー効率の面では依然として大きな改善の余地がある。 この目的のためには最適なプロセス制御が不可欠である。 しかし、乱雑な実世界の産業仕様から数学的最適化モデルを合成するには、厳密な数学的構文で非構造化の自然言語と空間図をブリッジする必要がある。 これは汎用大規模言語モデル(LLM)にとって大きな課題であり、連続的な多物理力学のモデリングを行う際には、無効な制約を導入する可能性がある。 これを解決するために,産業プロセス制御モデルの定式化を支援するAIエージェントであるlittle mを導入する。 ドメイン固有知識リポジトリとLLM駆動インタラクションを組み合わせることで,実世界の最適化問題を数学的モデルとして定式化する。 本稿では,テキストとプロセス図による共同推論を必要とする50の標準シナリオのマルチモーダルデータセットであるIndustrial Process Control Benchmark(IPC-Bench)を紹介する。 総合的な自動構造評価と二重盲検評価により、ほとんどmは最先端のLLMよりも大幅に優れ、意味論的に正しいモデルを生成する。 これらの評価は, 解法の実現可能性, 形式的物理的妥当性, 閉ループ工業性能よりも, 定式化品質を評価する。 little m と IPC-Bench データセットの実装は https://github.com/yeyongchao/process-modeling-benchmark で公開されている。

関連論文リスト

• Opti-Agent-Bench: Benchmarking End-to-End Optimization R&D Agents on Real-World Business Problems [1.7689718394104148]
  LLMベースのエージェントは最適化問題を解決するためにますますデプロイされているが、既存のベンチマークでは事前に構造化されたベンチマークで評価されている。 本稿では,実装から整数コード,記述,レポート生成を通じて,LLM(Large Models)を評価するエンドツーエンドベンチマークを提案する。
  論文  参考訳（メタデータ） (2026-07-12T13:47:57Z)
• Opt-Verifier: Unleashing the Power of LLMs for Optimization Modeling via Dual-Side Verification [53.763212981479455]
  本稿では、構造と解の両方の観点から、デュアルサイド検証(Opt-Verifier)を用いた新しいフレームワークを提案する。 一般的なベンチマーク実験により、我々の手法は精度が20%以上向上していることが示された。
  論文  参考訳（メタデータ） (2026-05-28T08:09:52Z)
• Automating modeling in mechanics: LLMs as designers of physics-constrained neural networks for constitutive modeling of materials [0.0]
  大規模言語モデル(LLM)ベースのエージェントフレームワークは、タスク固有のエージェントを動的に生成するパラダイムをますます採用している。 我々は、エージェントだけでなく、科学や工学のタスクのための特殊なソフトウェアモジュールもオンデマンドで生成できることを示唆している。
  論文  参考訳（メタデータ） (2025-12-01T14:42:22Z)
• Automated Optimization Modeling through Expert-Guided Large Language Model Reasoning [43.63419208391747]
  本稿では,最適化プロセスを自動化するチェーン・オブ・シント推論を通じて,専門家レベルの最適化モデリングの原則を活用する新しいフレームワークを提案する。 また、ロジスティクス領域からの新しい最適化モデリングベンチマークであるLogiORを導入し、標準化されたアノテーションに関するより複雑な問題を含む。
  論文  参考訳（メタデータ） (2025-08-20T04:14:54Z)
• Data-Driven Differential Evolution in Tire Industry Extrusion: Leveraging Surrogate Models [0.0]
  本研究では,複雑な実世界の製造システムを最適化するためのサロゲートに基づくデータ駆動手法を提案する。 機械学習モデルは、システム挙動を近似し、サロゲートモデルを構築するために使用され、それは、調整されたメタヒューリスティックなアプローチに統合される。 以上の結果から,サロゲートに基づく最適化手法は歴史的最良構成よりも優れていた。
  論文  参考訳（メタデータ） (2025-07-15T10:52:45Z)
• ModelingAgent: Bridging LLMs and Mathematical Modeling for Real-World Challenges [72.19809898215857]
  ModelingBenchは、様々な領域にわたる数学モデリングの競争から、現実に着想を得たオープンエンドの問題を特徴付ける新しいベンチマークである。 これらのタスクには、自然言語を形式的な数学的定式化に翻訳し、適切なツールを適用し、構造化された防御可能なレポートを生成する必要がある。 ツール使用をコーディネートするマルチエージェントフレームワークである ModelingAgent も紹介します。
  論文  参考訳（メタデータ） (2025-05-21T03:33:23Z)
• MLE-Dojo: Interactive Environments for Empowering LLM Agents in Machine Learning Engineering [57.156093929365255]
  自律型大規模言語モデル(LLM)エージェントを体系的に強化し、評価し、改善するためのガイムスタイルのフレームワーク。 MLE-Dojoは、現実的なエンジニアリングシナリオを反映した、多様でオープンなMLEタスクを慎重にキュレートする。 完全に実行可能な環境は、教師付き微調整と強化学習の両方を通して包括的なエージェントトレーニングをサポートする。
  論文  参考訳（メタデータ） (2025-05-12T17:35:43Z)
• Automatic Evaluation for Text-to-image Generation: Task-decomposed Framework, Distilled Training, and Meta-evaluation Benchmark [62.58869921806019]
  GPT-4oに基づくタスク分解評価フレームワークを提案し、新しいトレーニングデータセットを自動構築する。 我々は、GPT-4oの評価能力を7BオープンソースMLLM、MiniCPM-V-2.6に効果的に蒸留するための革新的なトレーニング戦略を設計する。 実験結果から,我々の蒸留したオープンソースMLLMは,現在のGPT-4oベースラインよりも有意に優れていた。
  論文  参考訳（メタデータ） (2024-11-23T08:06:06Z)
• ORLM: A Customizable Framework in Training Large Models for Automated Optimization Modeling [15.67321902882617]
  本稿では,オープンソースのLLMをトレーニングし,モデリングやソルバコードの開発を最適化する実行可能なパスを提案する。 この研究は、実用的なOR問題の解決においてLLMを評価するための最初の産業ベンチマークであるIndustrialORも導入した。
  論文  参考訳（メタデータ） (2024-05-28T01:55:35Z)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• Generating Hidden Markov Models from Process Models Through Nonnegative Tensor Factorization [0.0]
  我々は,理論的プロセスモデルと関連する最小隠れマルコフモデルを統合する,数学的に新しい手法を提案する。 提案手法は, (a) 理論的プロセスモデル, (b) HMM, (c) 結合非負行列テンソル因子分解, (d) カスタムモデル選択を集約する。
  論文  参考訳（メタデータ） (2022-10-03T16:19:27Z)

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。