論文の概要: Mimir: Physics-Grounded LLM Agents for Long-Horizon Irrigation Control

• arxiv url: http://arxiv.org/abs/2610.02038v1
• Date: Thu, 01 Oct 2026 16:50:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.312416
• Title: Mimir: Physics-Grounded LLM Agents for Long-Horizon Irrigation Control
• Title（参考訳）: Mimir: 長期洗浄制御のための物理処理型LLMエージェント
• Abstract要約: 大規模言語モデル(LLM)エージェントは、推論、ツールの使用、行動を組み合わせる傾向にあるが、ほとんどの証拠はエピソード的タスクに由来する。 本研究は, 土壌・地下水の動態を, 年間を通じて, 日々の意思決定が相互作用する灌水を通じて, この体制を研究するものである。 補修時間尺度を2つにまとめた物理接地型LLMエージェントであるMimirを提示する。
• 参考スコア（独自算出の注目度）: 10.586050800381514
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM) agents increasingly combine reasoning, tool use, and action, but most evidence comes from episodic tasks with relatively immediate feedback and reset failures. Long-running physical control operates in a different regime: actions alter future states, errors compound across decisions, and an agent must improve from experience without being allowed to rewrite the physical rules that make execution safe. We study this regime through irrigation, where daily decisions interact with soil-water dynamics over entire growing seasons. We present Mimir, a physics-grounded LLM agent organized around two repair timescales. At the fast timescale, a structured physical interface and deterministic simulator turn an LLM output into a proposal that we numerically check, revise, and subject to bounded deterministic action selection before execution. At the slow timescale, recurrent failure patterns are consolidated into persistent contextual principles that condition future proposals, while the physical model, evaluator, and execution constraints remain immutable. Under a common retrospective evaluator across multiple sites, crops, and years, Mimir attains the lowest reported aggregate control cost among the evaluated references and uses about 51% less irrigation than the historical schedule replay. The ablation study show higher control cost when forward simulation, verified revision, or persistent context is removed; model-scale and model-family studies show no monotonic gain from increasing LLM size. The resulting lesson show that persistent physical agents can combine semantic reasoning with bounded, evidence-driven self-improvement while reserving physical truth and actuator authority for explicit numerical mechanisms.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、推論、ツールの使用、アクションをますます組み合わせている。 アクションは将来の状態を変更し、決定を複雑にし、エージェントは実行を安全にする物理ルールを書き換えることなく、経験から改善する必要がある。 本研究は, 土壌・地下水の動態を, 年間を通じて, 日々の意思決定が相互作用する灌水を通じて, この体制を研究するものである。 補修時間尺度を2つにまとめた物理接地型LLMエージェントであるMimirを提示する。 高速な時間スケールでは、構造化された物理インタフェースと決定論的シミュレータがLCMの出力を数値的にチェックし、修正し、実行前に境界決定論的行動選択する提案に変換する。 遅い時間スケールでは、リカレント障害パターンは、物理的なモデル、評価器、実行制約が不変のままでありながら、将来の提案を条件とする永続的なコンテキスト的原則に統合されます。 複数の場所、作物、年月にわたる共通の振り返り評価の下で、ミミルは評価された基準の中で最も低い総括的な管理コストを達成し、歴史的スケジュールのリプレイよりも約51%少ない灌水を使用する。 Ablation study showed higher control cost when forward simulation, confirmed revision, or persistent context is removed; model-scale and model- Family study shows no monotonic gain from increase LLM size。 その結果、永続的な物理エージェントは、意味論的推論と有界でエビデンス駆動の自己改善を組み合わせながら、物理的真理を保ち、アクティベーターの権限を明示的な数値メカニズムで組み合わせることができることがわかった。

関連論文リスト

• MIRAGE: How Conversation State Shapes Historical Evidence Use in Multimodal Personal Agents [15.173843369238156]
  MIRAGEは個人エージェントの会話状態の変動に使用される歴史的証拠の制御された研究である。 結果のみの正当性から推定されるのではなく, 状態変化下での歴史的証拠の使用を評価すべきである。
  論文  参考訳（メタデータ） (2026-08-25T10:59:10Z)
• Agent-MD: Selective LLM Intervention with Event-Driven Escalation for Stateful GCMC--MD Campaigns [25.79745376434582]
  AgentMDは、キャンペーンの構築とイベントトリガーによるレビューにおいて、大規模言語モデル(LLM)を選択的に推論するフレームワークである。 エージェントMDは, グランドカノニカルモンテカルロ分子動力学 (GCMC-MD) 水蒸気脱離キャンペーンで実証された。
  論文  参考訳（メタデータ） (2026-08-07T15:39:32Z)
• Trajectory-Aware Retrieval Agents for Temporal Decision- Making [5.789945004686575]
  大言語モデル(LLM)エージェントを用いた長文・時間的構造化テキストの意思決定問題について検討する。 我々は、SHAP誘導フィードバックを用いて、エビデンスを反復的に洗練するクローズドループエージェントフレームワークであるTLMを紹介する。 実証的に、TLMは、医学的質問応答、決算報告のサプライズ予測、一晩のストックギャップ予測という3つの時間的根拠のある意思決定タスクに基づいて評価される。
  論文  参考訳（メタデータ） (2026-07-07T16:28:38Z)
• Tracking the Truth: Object-Centric Spatio-Temporal Monitoring for Video Large Language Models [154.39583176906893]
  大規模言語モデル(ML)は高度な理解を持ち、シーンにおける幻覚の傾向が高い。 これは、時間的モニタリングの失敗、オブジェクトの動的アイデンティティ、状態、そして時間とともに関係を永続的に追跡する能力に起因している、と我々は主張する。 既存のベンチマークでは、局所的な視覚的手がかりや統計的先行によってしばしば解決される1つの最終回答クエリに頼って、この欠陥を曖昧にしている。
  論文  参考訳（メタデータ） (2026-05-09T14:32:36Z)
• 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)
• Are Large Reasoning Models Interruptible? [77.53059044071107]
  LRM(Large Reasoning Models)は複雑な推論において優れているが、伝統的に静的な「凍った世界」設定で評価されている。 静的な設定で高い精度を達成できる最先端のLEMでさえ、割り込みやコンテキストの変化に晒された場合、予測不能に失敗する可能性があることを示す。 我々の分析ではさらに、漏れの原因、パニック、自己疑念など、いくつかの新しい障害モードを明らかにしている。
  論文  参考訳（メタデータ） (2025-10-13T17:59:35Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)

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。