論文の概要: LLM-Assisted Generation of Transparent, Open-Source Multiphysics Models of Electrochemical Devices

• arxiv url: http://arxiv.org/abs/2610.10320v1
• Date: Wed, 07 Oct 2026 16:11:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.021319
• Title: LLM-Assisted Generation of Transparent, Open-Source Multiphysics Models of Electrochemical Devices
• Title（参考訳）: LLMを用いた電気化学装置の透明・オープンソース多物理モデルの生成
• Abstract要約: 我々は、基礎となる物理を研究者の制御下に置きながら、よりフロンティアな言語モデルエージェントがこの実装の負担を取り除くことができることを示す。 本研究では, 制御方程式, パラメータ, 数値手法, 論理的構築段階, 人間の検証可能なチェックポイントを含む, 機械可読・人間特定モデリングハーネスを開発する。 完全に自律的なエージェント構築モデルを含む独立したモデルでは、ピークCO部分電流密度の0.7%に相当するCOMSOLの実装に同意している。
• 参考スコア（独自算出の注目度）: 0.9105246755262257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiphysics continuum models are powerful tools for studying electrochemical devices, enabling in silico reactor design and resolution of local pH, potential, and concentration fields that govern device performance but are difficult to measure experimentally. However, constructing such models requires substantial numerical expertise or reliance on proprietary software. Here, we show that frontier large language model agents can remove this implementation burden while keeping the underlying physics under researcher control. Using one-dimensional electrochemical CO2 reduction to CO in a porous gas diffusion electrode as a test case, we develop a machine-readable, human-specified modeling harness containing governing equations, parameters, numerical methods, logical build stages, and human-verifiable checkpoints. From this specification, the agent reproducibly constructs complete multiphysics models in open-source Julia. Independently built models, including fully autonomous agent-built models, agree with an equivalent COMSOL implementation to within 0.7% of the peak CO partial current density, and with one another to within 0.04%. Systematically planted errors demonstrate the importance of explicit specifications for reproducibility and reveal the agent's capabilities and limitations in debugging model physics. This framework establishes a more transparent approach to multiphysics modeling in which physical descriptions and governing equations, rather than specialized code, become the primary inputs for computational model development.
• Abstract（参考訳）: 多物理連続体モデル(Multiphysics continuum model)は、電気化学デバイスを研究するための強力なツールであり、シリコ炉の設計と、装置の性能を管理する局所的なpH、電位、濃度場の分解を可能にするが、実験的に測定することは困難である。 しかし、そのようなモデルを構築するには、かなりの数値的な専門知識やプロプライエタリなソフトウェアに依存する必要がある。 ここでは、フロンティア大言語モデルエージェントが、基礎となる物理を研究者の制御下に保ちながら、この実装の負担を取り除くことができることを示す。 テストケースとして多孔質ガス拡散電極のCOへの一次元電気化学的CO2還元法を用いて, 制御方程式, パラメータ, 数値計算法, 論理的構築段階, 人間の検証可能なチェックポイントを含む, 機械可読・人間特定モデリングハーネスを開発した。 この仕様から、エージェントはオープンソースJuliaで完全に多重物理モデルを再現的に構築する。 完全に自律的なエージェント構築モデルを含む独立したモデルでは、COMSOLの実装がピークのCO部分電流密度の0.7%以内で、互いに0.04%未満で一致している。 システム的に配置されたエラーは再現性に関する明示的な仕様の重要性を示し、モデル物理学のデバッグにおけるエージェントの機能と限界を明らかにする。 このフレームワークは、特殊コードではなく物理記述や支配方程式が計算モデル開発の主要な入力となる、多物理モデリングに対するより透過的なアプローチを確立している。

関連論文リスト

• LLM-driven design of physics-constrained constitutive models: two agents are better than one [0.0]
  モデル生成のためのマルチエージェントLPM駆動型アプローチを初めて導入する。 作成エージェントがデータに合わせたモデルを提案し、インスペクタエージェントが9つの物理的制約に対して各提案を監査する。 この概念を、人工ニューラルネットワーク(CANN)で実証し、脳組織、実験ゴム、合成ゴムでベンチマークする。
  論文  参考訳（メタデータ） (2026-05-22T15:27:09Z)
• Design Space of Self--Consistent Electrostatic Machine Learning Interatomic Potentials [3.9364243535886985]
  機械学習原子間ポテンシャル(MLIP)における静電気治療の枠組みについて述べる。 自己整合型静電MLIPの設計空間を広く定義する鍵となる設計選択を同定する。 我々の結果は、失敗を解決するために、より表現力のある自己整合モデルが必要であることを示す。
  論文  参考訳（メタデータ） (2026-03-16T01:16:08Z)
• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• Automated Machine Learning Pipeline for Training and Analysis Using Large Language Models [0.0]
  データセット生成からモデル検証まで、ワークフロー全体を統一する自動機械学習パイプライン(AMLP)を導入します。 AMLPは、電子構造コードの選択、入力準備、出力変換を支援するために、大きな言語モデルエージェントを使用する。 アクリジンのポリモルフィックで検証され、基礎モデルの素直な微調整により、エネルギーの1.7 meV/原子と力の7.0 meV/AAの絶対誤差が達成される。
  論文  参考訳（メタデータ） (2025-09-25T22:05:20Z)
• Quantum-informed simulations for mechanics of materials: DFTB+MBD framework [40.83978401377059]
  本研究では, 材料工学に関連するシステムの力学特性を量子効果によってどのように変化させるかを検討する。 この作業で提示されたすべてのコード、データセット、サンプルを含むオープンソースリポジトリを提供する。
  論文  参考訳（メタデータ） (2024-04-05T16:59:01Z)
• Benchmarking Model Predictive Control Algorithms in Building Optimization Testing Framework (BOPTEST) [40.17692290400862]
  物理に基づく建築エミュレータのためのデータ駆動モデリングおよび制御フレームワークを提案する。 a)モデル評価を加速し、コスト効率の良い勾配を提供し、モデル予測制御(MPC)における後退地平線に対する良好な予測精度を維持する、微分可能な代理モデルのオフライントレーニング。 ビルディング最適化テストフレームワーク(BOPTEST)で利用可能な様々なテストケースに対して、複数のサロゲートモデルと最適化フレームワークを用いて、モデリングと制御性能を広範囲に評価する。
  論文  参考訳（メタデータ） (2023-01-31T06:55:19Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• A data-driven peridynamic continuum model for upscaling molecular dynamics [3.1196544696082613]
  分子動力学データから最適線形ペリダイナミックソリッドモデルを抽出する学習フレームワークを提案する。 我々は,符号変化の影響関数を持つ離散化LPSモデルに対して,十分な適切な正当性条件を提供する。 このフレームワークは、結果のモデルが数学的に適切であり、物理的に一貫したものであり、トレーニング中に使用するものと異なる設定によく当てはまることを保証します。
  論文  参考訳（メタデータ） (2021-08-04T07:07:47Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。