潜在基盤モデル
要約済み 1
-
arxiv-cs-ai 1日前 4LLMエージェントがPDE物理シミュレーションを自動探索Agentic Exploration of PDE Spaces using Latent Foundation Models for Parameterized Simulations
マルチエージェントLLMと潜在基盤モデルを組み合わせた流体物理の自動探索フレームワークを発表。 潜在空間で流場を圧縮表現し、高コストな数値計算を代替するサロゲートモデルとして機能する。 AIによる大規模・自律的な物理現象解析が可能になり、科学シミュレーションの効率化に道を開く。
解説 本論文は、偏微分方程式（PDE）が支配する流体物理などの物理現象の探索を、マルチエージェントLLMと潜在基盤モデル（LFM: Latent Foundation Model）を組み合わせることで自動化・大規模化するフレームワークを提案している。従来の流体シミュレーションは数値計算コストが高く、研究者が手動で実験・解析を繰り返す必要があった。一方、創薬や材料科学では離散トークン表現を通じてLLMと自然に統合できるが、流体場のような連続・高次元・カオス的な空間はLLMとの直接統合が困難だった。本手法では、LFMが流場データから明示的・コンパクト・解絡（disentangled）された潜在表現を学習し、PDEのパラメータや境界条件にまたがる連続的な空間を表現する。LLMエージェントはこのLFMをオンデマンドのサロゲートシミュレータとして活用し、物理的に意味のある領域を効率的にサンプリング・探索できる。既存のGPT-4oやGemini等の汎用LLMは離散テキスト空間に特化しており連続物理場の直接操作が苦手だが、本手法はLFMを橋渡しとすることでその課題を解決している。実用上は、航空宇宙・気候モデリング・エネルギー設計など高コストシミュレーションが必要な分野での研究加速が期待される。