Ruo-Qian Wang氏は10月1日(現地時間)、arXiv cs.LGで公開された論文で、高コストな工学シミュレーターの校正において、大規模言語モデル (LLM) を活用する新たな手法を提示した。この研究は、シミュレーションエラーの物理診断記述で条件付けされたLLMが、従来の導関数不要最適化手法と比較して、より少ない実行回数で高精度なパラメータ校正を可能にすることを示している。
論文は、パラメータ調整に多大な計算コストを要する工学シミュレーターの校正問題に着目した。研究の目的は、物理診断的エラー記述に基づいて大規模言語モデル (LLM) が、従来の導関数不要最適化手法と比較して、より効率的に有益なパラメータ更新を提案できるかを評価することにある。
検証は円柱後流の大規模渦シミュレーション (cylinder-wake Large-Eddy Simulation) と減衰振動子の逆問題 (damped-oscillator inverse problem) で行われた。物理ラベル付きプロンプトは、テキストが除去、匿名化、パディング、誤誘導された4種類のテキストアブレーションや、Nelder-Mead、Bayesian optimization、CMA-ES、random searchといった標準的な最適化手法と比較された。
結果として、LLMには強力な初期のセマンティックな優位性があることが示された。物理情報に基づいたLLMの最初の提案は、25回の試行のうち23回で初期設計を改善した。さらに、5回の評価後には、中央値の校正エラーが物理情報を持たない対照群と比較して21.9倍低減した。
しかし、この優位性は一時的であり、15回の評価後には消失する。また、LLMデコーダーの固有のばらつきにより、性能に9.8倍の幅が生じることも確認された。この課題に対処するため、LLMをウォームスタートとして活用し、累積評価結果を従来の最適化手法に引き渡すハイブリッドなワークフローが導入された。
この2段階数値継続ポリシーは、わずか9回のシミュレーター実行で目標精度に到達し、LLM単独 (12回)、Nelder-Mead (17回)、Bayesian optimization (60回超) を上回った。感度分析によってテストケースの妥当性が確認され、厳格な評価予算の下で、このハイブリッドな物理ラベル付きLLMスキームが校正エージェントとして非常に効果的であることが証明された。
参考: arXiv cs.LG (アーカイブ) — 2026年10月19日 13:00 (JST)
原文ハイライト"the first physics-informed LLM proposal improves the initial design in 23 of 25 trials."