論文の概要: AutoEnergyDesign: An LLM-Driven Agent for Automatic Energy System Design Optimization

• arxiv url: http://arxiv.org/abs/2610.35160v1
• Date: Mon, 26 Oct 2026 10:25:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.826756
• Title: AutoEnergyDesign: An LLM-Driven Agent for Automatic Energy System Design Optimization
• Title（参考訳）: AutoEnergyDesign: 自動エネルギーシステム設計最適化のためのLCM駆動エージェント
• Abstract要約: AutoEnergyDesignは、大規模言語モデル(LLM)エージェントが設定の変更を提案し、それぞれの結果からコンテキストで学習するフレームワークである。 このシミュレーターは8つの技術(太陽光発電、マイクロウインド、複合熱と電力、太陽熱、ガスボイラー、バッテリー、ヒートポンプ、インバータ)をカバーし、25年間のネット・プレゼンス・コスト(NPC)を計算している。 ビルの負荷分布を計測したケーススタディでは,Claude Haiku 5.5, Sonnet 5.5, Opus 5.5(それぞれ10回のシミュレーション)をランダム探索, Tree-structured Parzen Estimator (TPE)と比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Designing building energy systems is a high-dimensional, mixed-integer search problem: when each design is evaluated by a year-long simulation, black-box optimizers typically need hundreds of evaluations. This paper presents AutoEnergyDesign, a framework in which a Large Language Model (LLM) agent reasons over previous simulation results, proposes configuration changes and learns in context from each outcome, while a git-based mechanism automatically reverts unsuccessful changes. The agent couples a reasoning model with an explicit memory organisation (procedural, semantic, episodic and reflective), a constrained action interface and an environment-grounded keep/revert signal. The simulator covers eight technologies (photovoltaics, micro-wind, combined heat and power, solar thermal, gas boilers, batteries, heat pumps and inverters) and computes the 25-year Net Present Cost (NPC), including capital and operating costs and salvage value. On a case study with measured building load profiles, the agent, run with Claude Haiku 5.5, Sonnet 5.5 and Opus 5.5 (ten runs of 50 simulations each), is compared with random search, Tree-structured Parzen Estimator (TPE) Bayesian optimization and a $(1+1)$ evolution strategy sharing the agent's acceptance rule (300 evaluations, ten seeds). With all three models the agent reaches an NPC of about 3.53 MEUR, 1.20% below the best TPE result and 0.23% below the best evolution-strategy result. It comes within 1% of this design after a median of 18 (Opus) to 27.5 (Haiku) simulations, whereas among the baselines only the evolution strategy does so, in half of its seeds and after a median of 192 evaluations. Opus reaches the best design in all ten runs, Sonnet in six (two runs never come within 1%), and Haiku comes within 1% in every run but reaches it exactly only once. Every decision is recorded in an auditable trace.
• Abstract（参考訳）: ビル・エナジー・システムの設計は高次元の混合整数探索問題であり、各設計が1年間のシミュレーションで評価されると、ブラックボックス・オプティマイザは何百もの評価を必要とする。 本稿では,従来のシミュレーション結果に対してLarge Language Model (LLM) エージェントが原因となるフレームワークであるAutoEnergyDesignを提案する。 エージェントは推論モデルと、明示的な記憶機構(手続き的、意味的、エピソディクス的、反射的)、制約されたアクションインターフェース、環境に接したretain/revert信号とを結合する。 シミュレーターは8つの技術(太陽光発電、マイクロウインド、複合熱と電力、太陽熱、ガスボイラー、バッテリー、ヒートポンプ、インバータ)をカバーし、資本と運用コストと救済価値を含む25年間のネット・プレゼンス・コスト(NPC)を計算している。 建築負荷プロファイルの測定を行った場合、エージェントはClaude Haiku 5.5、Sonnet 5.5、Opus 5.5(それぞれ10回のシミュレーション)で実行され、ランダム検索、木構造パーゼン推定器(TPE)ベイズ最適化、およびエージェントの受け入れルールを共有する1+1$進化戦略(300評価、10種)と比較される。 3つのモデル全てで、エージェントは約3.53 MEURのNPCに到達し、TPEの最高値の1.20%、進化ストラテジーの最高値の0.23%である。 中央値18(オプス)から27.5(俳句)のシミュレーションを経て、この設計の1%以内となる。 オプスは全10回、ソンネットは6回(2回は1%以内)、俳句は1回に1%以内だが、正確には1回しか届かない。 すべての決定は監査可能なトレースに記録される。

関連論文リスト

• RSI-Anything: Unlocking Recursive Self-Improvement with World Models [76.79361510862277]
  RSI-AnythingはJEPA-Anything上に構築されたドメイン・ジェネラル・フレームワークである。 予測ワールドモデルを使用して、アクションと学習データの選択をガイドする。 コード修復では、コーダーが固定され、静的検証器で成功率は26.3%から予測選択により29.2%に増加する。
  論文  参考訳（メタデータ） (2026-10-09T17:50:30Z)
• RestoreBench: Can AI Agents Restore Power Flow Convergence? [2.4326395001229053]
  非収束パワーフローケースの診断と解決は、有望だがほとんど探索されていないアプリケーションである。 複数のLLMと3つのアーキテクチャにまたがるこれらの機能を評価するベンチマークを導入する。 評価は2つの電力網と1グリッドあたり46ケースをカバーし、それぞれ収束を回復するために1つ以上の補正措置を必要とする。
  論文  参考訳（メタデータ） (2026-08-31T21:15:19Z)
• DREAM Technical Report [53.37525197047151]
  DREAMは、既存のパイプラインの上に認識認識、オーケストレーション、監査可能なポリシ層を追加し、それを置き換えることなく、自律的な最適化制御アーキテクチャである。 DREAMには2つのコアコンポーネントがある。まず、3層Intent Engineはデバイス上の信号を構造化されたL0/L1/L2インテント表現に融合する。エッジクラウドトリガーチェーンはレポートのボリュームを約8.7%に削減する。 第2に、Meta EngineはMetaModelを使って、層状M1-to-M2-to-M3推論(インテントの要約、ストラテジーメモリに通知されるストラテジープランニング、パラメータ変換など)を定式化したM1-to-M2-to-M3推論に使用します。
  論文  参考訳（メタデータ） (2026-08-10T10:35:32Z)
• Solar Open 2 Technical Report [96.21161740206544]
  長距離エージェントタスク用に構築された250B-A15B Mixture-of-Experts言語モデルであるSolar Open 2を提案する。 エージェント全体の軌道を単一のコンテキストで保持するために、Solar Open 2は1Mの窓に達する。 ドメインスペシャリスト12人を、目的に構築されたシナリオで訓練し、それらを単一のモデルに統合します。
  論文  参考訳（メタデータ） (2026-07-22T12:08:41Z)
• RoboPhD: Evolving Diverse Complex Agents Under Tight Evaluation Budgets [0.2126018197183873]
  本稿では,エロトーナメントの選択,EPA,グリーディヒルクライミングという3つの最適化パラダイムの体系的比較について述べる。 RoboPhDは、トレーニングとバリデーションの予算を分割する代わりに、トレーニングデータにEloコンペティションを使用してエージェントを同時に評価し、進化を促進する。 我々は、さまざまな複雑なエージェントを進化させるためのシンプルなOptimation_anything() APIを使って、MITライセンスの下で汎用ツールキットとしてRoboPhDをリリースした。
  論文  参考訳（メタデータ） (2026-04-06T01:39:13Z)
• SciDesignBench: Benchmarking and Improving Language Models for Scientific Inverse Design [3.4610016208336774]
  SciDesignBenchは、14の科学領域にわたる520のシミュレーター地上タスクのベンチマークである。 最高のゼロショットモデルは、パースレートがかなり高いにもかかわらず、わずか29.0%の成功しか得られない。
  論文  参考訳（メタデータ） (2026-03-13T07:11:47Z)
• 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)

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。