LLM experiments with simulation: Large Language Model Multi-Agent System for Simulation Model Parametrization in Digital Twins

要約

この論文では、デジタル ツインにおけるシミュレーション モデルのパラメータ化を自動化するために大規模言語モデル (LLM) を適用するマルチエージェント システム フレームワークの新しい設計について説明します。
このフレームワークは、観察、推論、意思決定、要約を任務とする特殊な LLM エージェントを特徴としており、デジタル ツイン シミュレーションと動的に対話してパラメータ化の可能性を探索し、目的を達成するための実現可能なパラメータ設定を決定できるようにします。
提案されたアプローチは、LLM からの知識ヒューリスティックをシミュレーション モデルに注入することでシミュレーション モデルの使いやすさを向上させ、ユーザー タスクを解決するための実行可能なパラメータ化の自律的な検索を可能にします。
さらに、このシステムは、複雑な意思決定プロセスを支援することで、使いやすさを向上させ、人間のユーザーの認知的負荷を軽減する可能性があります。
システムの有効性と機能性はケーススタディを通じて実証されており、視覚化されたデモとコードは GitHub リポジトリ: https://github.com/YuchenXia/LLMDrivenSimulation で入手できます。

要約(オリジナル)

This paper presents a novel design of a multi-agent system framework that applies large language models (LLMs) to automate the parametrization of simulation models in digital twins. This framework features specialized LLM agents tasked with observing, reasoning, decision-making, and summarizing, enabling them to dynamically interact with digital twin simulations to explore parametrization possibilities and determine feasible parameter settings to achieve an objective. The proposed approach enhances the usability of simulation model by infusing it with knowledge heuristics from LLM and enables autonomous search for feasible parametrization to solve a user task. Furthermore, the system has the potential to increase user-friendliness and reduce the cognitive load on human users by assisting in complex decision-making processes. The effectiveness and functionality of the system are demonstrated through a case study, and the visualized demos and codes are available at a GitHub Repository: https://github.com/YuchenXia/LLMDrivenSimulation

arxiv情報

提供元, 利用サービス

arxiv.jp, Google