Fugu-MT 論文翻訳(概要): Large Language Models for Model-Based Robot Design

論文の概要: Large Language Models for Model-Based Robot Design

arxiv url: http://arxiv.org/abs/2609.33423v1
Date: Sun, 27 Sep 2026 10:11:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-05 17:04:30.613891
Title: Large Language Models for Model-Based Robot Design
Title（参考訳）: モデルに基づくロボット設計のための大規模言語モデル
Abstract要約: 大規模言語モデル(LLM)は、ロボット設計に有用な工学的知識を提供する。しかし、直接生成された設計は暗黙の仮定に依存し、実現可能性や最適性を保証するものではない。物理関係, 互換性制約, 目的を含む明示的な工学モデルを構築するために, LLMを用いたフレームワークを提案する。
参考スコア（独自算出の注目度）: 2.4660652494309936
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Large Language Models (LLMs) can contribute useful engineering knowledge to robot design, but directly generated designs may rely on implicit assumptions and provide no guarantees of feasibility or optimality. These assumptions are critical because different reasonable modeling choices can materially change which designs are predicted to be feasible or optimal. We therefore present a framework that uses LLMs to construct explicit engineering models containing physical relationships, compatibility constraints, and objectives, allowing these modeling choices to be inspected and revised before formal optimization. The model can then be updated with additional engineering, manufacturer, or system-specific information before formal multi-objective optimization provides feasibility and Pareto-optimality guarantees with respect to the finalized model and specified design space. We evaluate the framework on quadcopter and line-following robot component-selection problems. Across 30 direct LLM design trials, none could be verified as feasible under the corresponding finalized model. Comparisons with an independently developed expert model and successive stages of model refinement further showed that changes in modeling assumptions substantially altered the predicted feasible and Pareto-optimal design sets. Together, these results show that using LLMs to construct explicit engineering models makes the underlying design choices available for inspection and revision before those assumptions determine the optimized designs. Explicit modeling therefore provides an interface for combining LLM-generated engineering knowledge, system-specific information, and formal design optimization.
Abstract（参考訳）: 大型言語モデル(LLM)はロボット設計に有用な工学的知識を提供することができるが、直接生成された設計は暗黙の仮定に依存し、実現可能性や最適性を保証するものではない。これらの仮定は、異なる合理的なモデリング選択が、どの設計が実現可能か、あるいは最適かを実際に変更できるため、非常に重要である。そこで我々は, LLMを用いて, 物理的関係, 互換性制約, 目的を含む明示的な工学モデルを構築するフレームワークを提案する。そして、最終的なモデルと特定の設計空間に関して、正式な多目的最適化が実現可能性とパレート最適性を保証する前に、追加のエンジニアリング、製造者、システム固有の情報を更新することができる。クワッドコプターとライン追従型ロボット部品選択問題の枠組みを評価する。直接のLLM設計試験は30回にわたって行われたが、最終的なモデルでは検証できない。独立に開発されたエキスパートモデルとモデル改良の連続段階との比較により、モデリングの仮定の変化が予測可能な設計セットとパレート最適設計セットを著しく変化させることが示された。これらの結果は,LLMを用いて明示的なエンジニアリングモデルを構築することにより,これらの仮定が最適化設計を決定する前に,基礎となる設計選択を検査や修正に利用できることを示す。したがって、明示的モデリングは、LLMの生成したエンジニアリング知識、システム固有の情報、フォーマルな設計最適化を組み合わせるためのインターフェースを提供する。

関連論文リスト

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)
CogFormer: Learn All Your Models Once [2.3012481139364116]
我々はCogFormerと呼ばれる認知モデリングのためのメタアモタイズフレームワークを開発した。我々のフレームワークは、多くの構造的に類似したモデルで有効であるトランスフォーマーベースのアーキテクチャをトレーニングしています。我々の評価は、最小限のオフセットでモデルファミリ間でパラメータを正確に推定できることを示唆している。
論文参考訳（メタデータ） (2026-03-20T21:39:41Z)
LOCOFY Large Design Models -- Design to code conversion solution [0.0]
本稿では,デザインからコードへのシームレスな変換を実現するために,デザインとWebページに特化して訓練された大規模デザインモデルを紹介した。データエンジニアリングと適切なモデルアーキテクチャの修正を取り入れたトレーニングと推論パイプラインを開発した。提案モデルでは, 新規なプレビューマッチスコア測定値を用いて, エンド・ツー・エンドの設計・コード変換精度を実証した。
論文参考訳（メタデータ） (2025-07-22T03:54:57Z)
Not-Just-Scaling Laws: Towards a Better Understanding of the Downstream Impact of Language Model Design Decisions [65.89403417819764]
設計選択が言語モデル能力に与える影響を定量化する。モデルサイズとトレーニングトークンの数以外の機能を組み込むことで、下流のパフォーマンスを予測する能力が3～28%向上する。
論文参考訳（メタデータ） (2025-03-05T19:46:04Z)
Fine-tuning large language models for domain adaptation: Exploration of training strategies, scaling, model merging and synergistic capabilities [4.389938747401259]
本研究は、材料科学や工学などの分野における大規模言語モデル(LLM)に対する微調整戦略の効果について考察する。複数の微調整モデルの融合は、親モデルの個々の貢献を超越した能力の出現につながる可能性がある。
論文参考訳（メタデータ） (2024-09-05T11:49:53Z)
Revisiting SMoE Language Models by Evaluating Inefficiencies with Task Specific Expert Pruning [78.72226641279863]
SMOE(Sparse Mixture of Expert)モデルは、言語モデリングにおける高密度モデルに代わるスケーラブルな代替品として登場した。本研究は,SMoEアーキテクチャの設計に関する意思決定を行うために,タスク固有のモデルプルーニングについて検討する。適応型タスク対応プルーニング手法 UNCURL を導入し,MoE 層当たりの専門家数をオフラインで学習する手法を提案する。
論文参考訳（メタデータ） (2024-09-02T22:35:03Z)
Towards Synthetic Trace Generation of Modeling Operations using In-Context Learning Approach [1.8874331450711404]
本稿では,イベントログのモデリング,インテリジェントなモデリングアシスタント,モデリング操作の生成を組み合わせた概念的フレームワークを提案する。特に、アーキテクチャは、設計者がシステムを指定するのを助け、その操作をグラフィカルなモデリング環境内で記録し、関連する操作を自動的に推奨する、モデリングコンポーネントから構成される。
論文参考訳（メタデータ） (2024-08-26T13:26:44Z)
Bridging Design Gaps: A Parametric Data Completion Approach With Graph Guided Diffusion Models [9.900586490845694]
本研究では, グラフ注意ネットワークと表層拡散モデルを利用して, 工学設計におけるパラメトリックデータの欠落を解消する生成的計算モデルを提案する。提案手法は従来の手法,例えばMissForest, HotDeck, PPCA, TabCSDI よりも精度と多様性に優れていた。グラフモデルは、設計問題の鍵となるアセンブリグラフから複雑なパラメトリック相互依存性を正確にキャプチャし、インプットするのに役立つ。
論文参考訳（メタデータ） (2024-06-17T16:03:17Z)
Design Space Exploration and Explanation via Conditional Variational Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。 CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
論文参考訳（メタデータ） (2022-11-29T17:28:31Z)
Re-parameterizing Your Optimizers rather than Architectures [119.08740698936633]
本稿では,モデル固有の事前知識を構造学に取り入れ,汎用モデル(簡易モデル)の学習に使用する新しいパラダイムを提案する。実装として,モデル固有のハイパーパラメータの集合に従って勾配を変更することによって,事前知識を付加する手法を提案する。 Reprでトレーニングされた単純なモデルに対しては、VGGスタイルのプレーンモデルに注目し、ReprでトレーニングされたそのようなシンプルなモデルがRep-VGGと呼ばれ、最近のよく設計されたモデルと同等に動作することを示す。
論文参考訳（メタデータ） (2022-05-30T16:55:59Z)

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。