論文の概要: Human-guided physics-constrained AI agents construct an auditable model of soil-plug evolution

• arxiv url: http://arxiv.org/abs/2609.23360v1
• Date: Sun, 20 Sep 2026 04:53:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.930721
• Title: Human-guided physics-constrained AI agents construct an auditable model of soil-plug evolution
• Title（参考訳）: 人間誘導型物理制約型AIエージェントによる土壌-プラグ進化の監査可能なモデルの構築
• Abstract要約: 本稿では,工学的予測のためのヒューマン・イン・ザ・ループ(Human-in-the-loop),物理制約付きマルチエージェント・ワークフローを提案する。 人間の専門家は許容できる物理学とモデリングの境界を定義し、エージェントは証拠を検索し、方程式を導出し、解法を実装し、理論とコード間の連鎖を監査する。 全体として、この作業はタスク自動化以外のマルチエージェントAIを、人間の管理するエンジニアリング問題解決者へと拡張する。
• 参考スコア（独自算出の注目度）: 4.188698136741162
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Engineering predictions require physical mechanisms to be translated consistently into equations, discretization, code, and validation, yet errors can propagate despite local checks. Artificial-intelligence (AI) agents automate scientific tasks, but coordinating and independently auditing the theory-to-solver process under physical constraints and human oversight remains unresolved. We introduce a human-in-the-loop, physics-constrained multi-agent workflow where human experts define admissible physics and modeling boundaries, while agents retrieve evidence, derive equations, implement solvers, and audit the theory-to-code chain. Applied to soil-plug evolution during suction-caisson installation, the workflow generated and audited 6 formulations in 2.9 h of agent execution once physical knowledge and inputs were prepared. Among these formulations, adding seepage-driven soil void-ratio evolution to the geometric baseline reduced mean absolute final-heave error from 58.4% to 9.0% across 14 profiles; the selected model further incorporated near-wall dilation and achieved mean absolute percentage errors of 12.4% across 9 final-state cases and 4.2% at the endpoints of 5 process histories. Beyond predictive performance, blinded replay recovered all 9 target problems, while an independent audit uncovered 5 implementation problems after 36 predefined checks had passed. Overall, this work extends multi-agent AI beyond task automation toward human-governed engineering solvers.
• Abstract（参考訳）: 工学的な予測では、物理メカニズムを方程式、離散化、コード、バリデーションに一貫して変換する必要があるが、エラーは局所的なチェックにもかかわらず伝播することができる。 人工知能(AI)エージェントは科学的タスクを自動化するが、物理的制約の下で理論と解法プロセスの調整と独立的な監査は未解決のままである。 そこでは,人間専門家が許容できる物理とモデリングの境界を定義し,エージェントがエビデンスを検索し,方程式を導出し,解法を実装し,理論からコードへの連鎖を監査する。 吸気-ケーソン導入時の土壌・プラグの進化に応用し, 物理知識と入力の準備が整うと, エージェント実行の2.9時間で6つの定式化および監査を行った。 これらの定式化の中で、幾何学的ベースラインに水面駆動の土壌空隙比の進化を加えることで、14個のプロファイルで平均絶対絶対誤差が58.4%から9.0%に減少し、選択されたモデルは、さらに近壁拡散を取り入れ、9つの最終状態ケースで平均絶対誤差が12.4%、そして5つのプロセス履歴の終点で4.2%に達した。 予測性能の他に、ブラインドされたリプレイは9つのターゲット問題をすべて回復し、独立した監査では36回の事前定義されたチェックがパスした後で5つの実装問題を明らかにした。 全体として、この作業はタスク自動化以外のマルチエージェントAIを、人間の管理するエンジニアリング問題解決者へと拡張する。

関連論文リスト

• SPOQ: Specialist Orchestrated Queuing for Multi-Agent Software Engineering [2.0769172070951067]
  マルチエージェントAIシステムは、ソフトウェアエンジニアリングタスクの自動化を約束する。 既存のアプローチでは、調整のオーバーヘッド、品質管理のギャップ、人間の監視が制限されている。 SPOQ(Specialist Orchestrated Queuing)は,3つのイノベーションを組み合わせた方法論である。
  論文  参考訳（メタデータ） (2026-06-02T03:59:56Z)
• EnactToM: An Evolving Benchmark for Functional Theory of Mind in Embodied Agents [75.01735520608075]
  既存のベンチマークは、直観的信念を問うことで、主にリテラル・オブ・マインド(ToM)をテストする。 EnactToMは, 3D 家庭で設定された300個のマルチエージェントタスクの進化ベンチマークである。 ハードスプリットでは、7つの評価されたフロンティアモデルすべてが機能的なタスク完了時に0.0%のPass3を獲得し、リテラルな信念プローブでは平均45.0%であった。
  論文  参考訳（メタデータ） (2026-05-11T00:04:19Z)
• OccuBench: Evaluating AI Agents on Real-World Professional Tasks via Language Environment Simulation [57.505743202759646]
  OccuBenchは10の業界カテゴリと65の専門ドメインにわたる100の現実のプロフェッショナルタスクシナリオをカバーするベンチマークである。 我々のマルチエージェント合成パイプラインは, 可溶性, 校正困難, 文書基底の多様性を保証した評価インスタンスを自動生成する。
  論文  参考訳（メタデータ） (2026-04-13T00:27:32Z)
• OptiRepair: Closed-Loop Diagnosis and Repair of Supply Chain Optimization Models with LLM Agents [19.31559944205485]
  サプライチェーン最適化モデルは、しばしばモデリングエラーのために実現不可能になる。 我々は、このタスクをドメインに依存しないフィージビリティフェーズとドメイン固有の検証フェーズの2つのフェーズに分解する。 976のマルチエキロンサプライチェーン問題に対して、7つのファミリーから22のAPIモデルをテストする。
  論文  参考訳（メタデータ） (2026-02-23T02:19:05Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• Adaptive Monitoring and Real-World Evaluation of Agentic AI Systems [3.215065407261898]
  大規模言語モデルと外部ツールを組み合わせたマルチエージェントシステムは、研究機関からハイテイクドメインへと急速に移行している。 この「先進的な」続編は、アルゴリズムのインスタンス化や経験的な証拠を提供することで、そのギャップを埋める。 AMDMは擬似ゴールドリフトで異常検出遅延を12.3秒から5.6秒に減らし、偽陽性率を4.5%から0.9%に下げる。
  論文  参考訳（メタデータ） (2025-08-28T15:52:49Z)

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。