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

• arxiv url: http://arxiv.org/abs/2610.35160v2
• Date: Wed, 04 Nov 2026 15:58:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.584594
• 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: 本稿では,大規模言語モデル (LLM) エージェントが構成変更を提案し,それぞれの結果から文脈で学習するAutoEnergyDesignを提案する。 このシミュレーターは8つのテクノロジーをカバーし、25年間のネット・プレゼンス・コスト(NPC)を計算する。 3つのクロードモデルでインスタンス化したエージェントを, ランダム探索, 木構造パーゼン推定器 (TPE) ベイズ最適化, および (1+1) 進化戦略と比較した。
• 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: The design optimization of building energy systems represents a complex, high-dimensional search problem involving discrete technology selections, continuous sizing parameters, and intricate economic trade-offs in which every candidate must be evaluated by a year-long simulation. This paper presents AutoEnergyDesign, in which a Large Language Model (LLM) agent reasons over past simulation results, proposes configuration changes and learns in context from each outcome, while a git-based mechanism reverts changes that do not improve the design. The agent couples a reasoning model with explicit memories, a constrained action interface, and an environment-grounded keep/revert feedback signal. The simulator covers eight technologies and computes the 25-year Net Present Cost (NPC). On a case study with measured building loads, the agent, instantiated with three Claude models (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 that shares the agent's acceptance rule (ten seeds of 300 evaluations). With all three models the agent reaches an NPC of 3.53MEUR, 1.20% and 0.23% below the best results of TPE and of the evolution strategy, and comes within 1% of it after a median of 18 to 27.5 simulations; among the baselines, only the evolution strategy does so, after a median of 192 evaluations. Every decision is recorded, making the search auditable.
• Abstract（参考訳）: 建築エネルギーシステムの設計最適化は、離散的な技術選択、連続的なサイズパラメータ、複雑な経済トレードオフを含む複雑な高次元探索問題を表しており、すべての候補を1年間のシミュレーションで評価しなければならない。 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AutoEnergyDesignを提案する。 エージェントは、明示的な記憶、制約された動作インターフェース、および環境に接した保持/復帰フィードバック信号と、推論モデルとを結合する。 このシミュレータは8つのテクノロジーをカバーし、25年間のNet Present Cost (NPC)を計算している。 測定された建物負荷を用いたケーススタディでは, エージェントを3つのクロードモデル(Haiku 5.5, Sonnet 5.5, Opus 5.5)でインスタンス化し, ランダム探索, 木構造パーゼン推定器 (TPE) ベイズ最適化, エージェントの受容ルールを共有する (1+1) 進化戦略と比較した。 3つのモデル全てにおいて、エージェントは3.53MEURのNPCに到達し、TPEと進化戦略の最良の結果より1.20%と0.23%低くなり、中央値18から27.5のシミュレーションの後に1%以内となる。 すべての決定が記録され、検索が監査可能である。

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。