論文の概要: When is a large language model a good calibration agent? Physics-labeled prompting for budgeted engineering simulator calibration

• arxiv url: http://arxiv.org/abs/2610.22379v1
• Date: Thu, 01 Oct 2026 16:08:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 00:37:12.11768
• Title: When is a large language model a good calibration agent? Physics-labeled prompting for budgeted engineering simulator calibration
• Title（参考訳）: 大規模言語モデルが優れた校正剤になるのはいつか? 物理ラベルによるエンジニアリングシミュレータ校正
• Abstract要約: キャリブレーションエンジニアリングシミュレータは、参照データに一致するようにモデルパラメータをチューニングする必要がある。 本研究では,シミュレーションエラーの物理的診断記述を条件としたLarge Language Models (LLMs) が,情報的パラメータ更新を提案できるかどうかを検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Calibrating expensive engineering simulators requires tuning model parameters to match reference data, a process heavily constrained by computational costs. This study investigates whether Large Language Models (LLMs), conditioned on physical diagnostic descriptions of simulation errors, can propose informative parameter updates more efficiently than conventional derivative-free optimizers. We test this on a cylinder-wake Large-Eddy Simulation and a damped-oscillator inverse problem. Physics-labeled prompts are evaluated against four text ablations (removed, anonymized, padded, misdirected) and standard optimizers (Nelder-Mead, Bayesian optimization, CMA-ES, and random search). Results demonstrate a strong early semantic advantage: the first physics-informed LLM proposal improves the initial design in 23 of 25 trials. After five evaluations, the median calibration error is 21.9 times lower than physics-free controls. However, this advantage is transient - disappearing by fifteen evaluations - and inherent LLM decoder variability yields a 9.8-fold performance spread. To address this, we introduce a hybrid workflow that uses the LLM as a warm-start, passing accumulated evaluations to a conventional optimizer. This two-stage numerical continuation policy reaches target accuracy in just 9 simulator runs, outperforming the LLM alone (12 runs), Nelder-Mead (17 runs), and Bayesian optimization (>60 runs). Supported by sensitivity analysis validating the test cases, this hybrid physics-labeled LLM scheme proves highly effective as a calibration agent under strict evaluation budgets.
• Abstract（参考訳）: 高価なエンジニアリングシミュレータの校正には、計算コストの厳しいプロセスである参照データに合わせるために、モデルパラメータをチューニングする必要がある。 本研究では,シミュレーションエラーの物理的診断記述を前提としたLarge Language Models (LLMs) が,従来のデリバティブフリーオプティマイザよりも効率的に情報的パラメータ更新を提案できるかどうかを検討する。 我々は、シリンダーウェイク大渦シミュレーションと減衰振動子逆問題でこれを検証した。 物理ラベル付きプロンプトは、4つのテキストアブレーション(削除、匿名化、パッドド、ミスダイレクト)と標準オプティマイザ(Nelder-Mead、ベイズ最適化、CMA-ES、ランダム検索)に対して評価される。 最初の物理インフォームドLSM提案は、25回の試験のうち23回で初期設計を改善した。 5つの評価の後、中央値の校正誤差は、物理のない制御よりも21.9倍低い。 しかし、この利点は過渡的であり、15の評価で消滅し、固有のLCMデコーダの可変性は9.8倍の性能を拡大する。 そこで本研究では,LLMを温暖化起動として使用し,蓄積した評価結果を従来のオプティマイザに渡すハイブリッドワークフローを提案する。 この2段階の数値継続ポリシーは、LLM単独(12ラン)、Nelder-Mead (17ラン)、ベイズ最適化(>60ラン)など、わずか9回のシミュレータ実行で目標精度に達する。 このハイブリッド物理ラベルLLM法は, 厳密な評価予算下での校正剤として高い有効性を示す。

関連論文リスト

• Agentic Calibration of Grey-Box Simulation Models: An LLM-Driven Alternative [1.3066182802188202]
  グレーボックスシミュレーションモデルは高価であり、パラメータ空間は高次元であり、探索は可算性制約を尊重しなければならない。 本稿では,大規模言語モデルが制約として機能するエージェントキャリブレーション手法を提案する。 エージェントキャリブレーションは、かなり少ないモデル評価で競合性能を達成する。
  論文  参考訳（メタデータ） (2026-07-17T13:34:26Z)
• SimulCost: A Cost-Aware Benchmark and Toolkit for Automating Physics Simulations with LLMs [56.07550353240028]
  物理シミュレーションにおけるコスト依存パラメータチューニングをターゲットとした最初のベンチマークであるSimulCostを紹介する。 SimulCostは、LCMチューニングのコスト感受性パラメータと従来のスキャン手法の精度と計算コストを比較した。 各シミュレータのコストは解析的に定義され、プラットフォームに依存しない。
  論文  参考訳（メタデータ） (2026-03-11T05:00:48Z)
• Quantum Circuit Generation via test-time learning with large language models [0.0]
  大規模言語モデル(LLM)は構造化されたアーティファクトを生成することができるが、科学的設計の信頼性として使用するにはブラックボックス評価の下で反復的改善のメカニズムが必要である。 LLMは固定長ゲートリストへの編集を提案し、外部シミュレータはMeyer-Wallach(MW)グローバルエンタングルメント尺度を用いて結果の状態を評価する。 従来のハイパフォーマンスな候補を明示的なメモリトレースとして再利用できる軽量なテスト時間学習レシピを導入し、スコア差フィードバックでプロンプトを強化し、再起動する。
  論文  参考訳（メタデータ） (2026-02-03T12:41:25Z)
• Beyond Outliers: A Study of Optimizers Under Quantization [82.75879062804955]
  量子化下でのモデルロバスト性に対する選択の影響について検討する。 モデルの性能が、異なるベースラインでトレーニングした場合にどのように低下するかを評価する。 異なるパラメータによる量子化対応トレーニングのスケーリング法則を導出する。
  論文  参考訳（メタデータ） (2025-09-27T21:15:22Z)
• G-Sim: Generative Simulations with Large Language Models and Gradient-Free Calibration [48.948187359727996]
  G-Simは、厳密な経験的校正によるシミュレータ構築を自動化するハイブリッドフレームワークである。 信頼性のある因果的インフォームドシミュレータを生成し、データ効率を軽減し、堅牢なシステムレベルの介入を可能にする。
  論文  参考訳（メタデータ） (2025-06-10T22:14:34Z)
• OptiBench Meets ReSocratic: Measure and Improve LLMs for Optimization Modeling [62.19438812624467]
  大規模言語モデル (LLM) は数学的推論における問題解決能力を示した。 本稿では,人間可読入力と出力を用いたエンドツーエンド最適化問題のベンチマークであるOptiBenchを提案する。
  論文  参考訳（メタデータ） (2024-07-13T13:27:57Z)
• Multi-fidelity Constrained Optimization for Stochastic Black Box Simulators [1.6385815610837167]
  上記の問題に対処するために、Scout-Nd (Stochastic Constrained Optimization for N dimensions) アルゴリズムを導入する。 Scout-Ndは効率よく勾配を推定し、推定器勾配のノイズを低減し、計算労力をさらに削減するために多重忠実性スキームを適用する。 提案手法を標準ベンチマークで検証し,既存の手法よりも優れた性能を示すパラメータの最適化の有効性を示す。
  論文  参考訳（メタデータ） (2023-11-25T23:36:38Z)
• Learning Performance-Improving Code Edits [107.21538852090208]
  本稿では,大規模言語モデル(LLM)を高レベルプログラム最適化に適用するためのフレームワークを提案する。 まず、競争力のある77,000以上のC++プログラミングサブミッションペアによる、人間のプログラマによるパフォーマンス改善編集のデータセットをキュレートする。 提案手法は,検索をベースとした少数ショットプロンプトとチェーン・オブ・シンクレットを提案し,その微調整には,自己再生に基づく性能条件付き生成と合成データ拡張が含まれる。
  論文  参考訳（メタデータ） (2023-02-15T18:59:21Z)
• Application of an automated machine learning-genetic algorithm (AutoML-GA) coupled with computational fluid dynamics simulations for rapid engine design optimization [0.0]
  本研究は,内燃機関のサロゲート最適化のための自動アクティブラーニング手法であるAutoML-GAについて述べる。 遺伝的アルゴリズムを用いて、機械学習サロゲート表面上の設計最適点を特定する。 その結果,AutoML-GAはCFDシミュレーションの少ない精度で最適化できることがわかった。
  論文  参考訳（メタデータ） (2021-01-07T17:50:52Z)

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。