論文の概要: LLM-Assisted Optimization for Simulation-Based Redesign

• arxiv url: http://arxiv.org/abs/2610.39275v1
• Date: Thu, 29 Oct 2026 03:28:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.03509
• Title: LLM-Assisted Optimization for Simulation-Based Redesign
• Title（参考訳）: シミュレーションに基づく再設計のためのLLM支援最適化
• Abstract要約: エンジニアリング設計はしばしば、材料価格やシステム要件といったコンテキストの変化に対応するために、事前のソリューションを再設計する。 Redesignは、工学的な知識や文脈が欠けている従来の数値解法では、シミュレータを複雑すぎ、あるいは計算集約的に利用し、グローバルなソリューションの品質を保証する。 我々は,LLMと4つのブラックボックスソルバを利用する3つの手法について,再設計のための統合LLM最適化手法の開発と試験を行った。 最適なLCM-ソルバ統合アプローチと事前ソリューションの活用方法は、設計要件の変更の構造に依存する。
• 参考スコア（独自算出の注目度）: 0.2548904650574671
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Engineering design frequently involves redesigning a prior solution to adapt to changes in context, such as material prices or system requirements. Redesign often leverages simulators too complex and/or computationally intensive for traditional numerical solvers, which lack engineering knowledge and context, to ensure global solution quality. Large language models (LLMs) can interpret semantic information, including engineering knowledge about the system and changes in context, to help guide search, and recent studies have shown that incorporating this knowledge into optimization can improve search performance. However, how best to combine LLMs with numerical solvers in redesign remains unclear. We develop and test an integrated LLM-optimization approach for redesign and compare three methods for leveraging LLMs (warm start, variable fixing and ReAct) and four black-box solvers (Bayesian optimization, genetic algorithms, mesh adaptive direct search and random search) on an electric vehicle battery pack cost minimization case study across four types of redesign scenarios. We find that the integrated approach can match feasible design discovery of the numerical-solver baselines with 80% fewer simulator evaluations while tripling the fraction of runs that find near-optimal solutions. We find that the best LLM-solver integration approach and the way the prior solution is leveraged depend on the structure of the design requirement change, and that the benefit of increasing LLM model size grows with the extent to which the LLM controls the search. These results show clear potential for LLMs in redesign tasks for guiding or replacing numerical solvers.
• Abstract（参考訳）: エンジニアリング設計はしばしば、材料価格やシステム要件といったコンテキストの変化に対応するために、事前のソリューションを再設計する。 Redesignは、工学的な知識や文脈が欠けている従来の数値解法では、シミュレータを複雑すぎ、あるいは計算集約的に利用し、グローバルなソリューションの品質を保証する。 大規模言語モデル(LLM)は,システムに関する工学的知識や文脈の変化を含む意味情報を解釈し,探索のガイドに役立てることができる。 しかし,LLMと数値解法をどのように組み合わせて再設計するかは未定である。 我々は,電気自動車のバッテリーパックにおけるLCM(ウォームスタート,可変固定,ReAct)と4つのブラックボックスソルバ(ベイジアン最適化,遺伝的アルゴリズム,メッシュ適応直接探索,ランダム探索)を活用するための3つの手法を開発し,比較した。 本手法は, 数値解法ベースラインの設計に適合し, シミュレーション評価を80%少なくし, ほぼ最適解を求めるランを3倍に抑えることができることがわかった。 我々は,LLM-Software 統合手法と先行ソリューションの活用方法が設計要求の変化の構造に依存すること,LLM モデルのサイズを増大させることの利点が LLM が探索を制御する範囲で増大していることを見出した。 これらの結果は,数値解法を導出・置き換えるための再設計作業におけるLLMの可能性を示している。

関連論文リスト

• Optimizing Service Operations via LLM-Powered Multi-Agent Simulation [1.2997358113120427]
  サービス操作を最適化するためのLLMを用いたマルチエージェントシミュレーションフレームワークを提案する。 我々は、決定に依存した不確実性を伴う最適化として問題を提起する。 本研究では,1つのシミュレーション実行時にゼロ階勾配推定を同時に構築し,定常状態性能を最適化するための設計パラメータを更新する軌道学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2026-04-06T03:14:33Z)
• Execution-Verified Reinforcement Learning for Optimization Modeling [49.171122807323634]
  実行検証学習フレームワークは、数学的プログラミング解法を決定論的で対話的な検証器として扱う。 NL4OPT, MAMO, IndustryOR, OptiBenchをグロビ, OR-Tools, COPTで行った実験では, EVOMがプロセス管理SFTに適合または優れていた。
  論文  参考訳（メタデータ） (2026-04-01T03:39:11Z)
• SolverLLM: Leveraging Test-Time Scaling for Optimization Problem via LLM-Guided Search [58.116954449750544]
  多様な最適化問題を解決するために,テスト時間スケーリングを活用したトレーニング不要のフレームワークを導入する。 直接的に解くのではなく、数学的定式化を生成し、新しいモンテカルロ木探索戦略によって導かれる解法対応のコードに変換する。
  論文  参考訳（メタデータ） (2025-10-19T16:21:19Z)
• From Natural Language to Solver-Ready Power System Optimization: An LLM-Assisted, Validation-in-the-Loop Framework [1.7136832159667206]
  本稿では,Large Language Models (LLMs) を用いたエージェントを導入し,電力系統最適化シナリオの自然言語記述を,コンパクトで解決可能な定式化に自動変換する。 提案手法は,オフザシェルフ最適化解法により効率よく解ける数学的に互換性のある定式化の発見に重点を置いている。
  論文  参考訳（メタデータ） (2025-08-11T16:22:57Z)
• Large Language Models for Combinatorial Optimization of Design Structure Matrix [8.702426326610555]
  複雑なエンジニアリングシステムでは、コンポーネントや開発活動間の依存関係は、しばしば設計構造マトリックス(DSM)を用いてモデル化され分析される。 フィードバックループを最小限に抑え、モジュール性やプロセス効率を向上させるためにDSM内の要素を再編成することは、エンジニアリング設計と運用において困難な最適化問題となっている。 本稿では,DSMシークエンシングの反復的最適化のために,ネットワークトポロジとコンテキストドメイン知識を統合した新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-11T13:53:35Z)
• Deep Insights into Automated Optimization with Large Language Models and Evolutionary Algorithms [3.833708891059351]
  大きな言語モデル(LLM)と進化的アルゴリズム(EA)は、制限を克服し、最適化をより自動化するための有望な新しいアプローチを提供する。 LLMは最適化戦略の生成、洗練、解釈が可能な動的エージェントとして機能する。 EAは進化作用素を通して、複雑な解空間を効率的に探索する。
  論文  参考訳（メタデータ） (2024-10-28T09:04:49Z)
• 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)

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。