[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Relier la littérature et l'univers grâce à un système multi-agents à grand modèle linguistique

Created by
  • Haebom

Auteur

Xiaowen Zhang, Zhenyu Bi, Patrick Lachance, Xuan Wang, Tiziana Di Matteo, Rupert AC Croft

Contour

Dans cet article, nous présentons SimAgents, un système multi-agents qui automatise la paramétrisation et l'analyse initiale des simulations cosmologiques. SimAgents repose sur des agents LLM spécialisés, capables de raisonnement physique, de vérification de logiciels de simulation et d'exécution d'outils. Il garantit la signification physique, la cohérence interne et la compatibilité logicielle des paramètres extraits grâce à une communication structurée. Nous vérifions expérimentalement les performances de SimAgents en construisant un jeu de données d'évaluation d'extraction de paramètres cosmologiques contenant plus de 40 simulations de différents types, démontrant ainsi son efficacité et son potentiel d'accélération de la recherche scientifique. Le système et le jeu de données sont accessibles au public.

Takeaways, Limitations

•
Takeaways:
◦
L’automatisation des processus de paramétrage et d’analyse initiale des simulations cosmologiques peut améliorer considérablement l’efficacité de la recherche.
◦
Nous démontrons l’efficacité d’un système basé sur un agent LLM doté de capacités de raisonnement physique et de vérification logicielle.
◦
Vous pouvez contribuer aux activités de recherche d’autres chercheurs grâce à des ensembles de données et des systèmes ouverts.
•
Limitations:
◦
Elle est actuellement limitée à des simulations cosmologiques spécifiques, et des recherches supplémentaires sont nécessaires sur son extensibilité à d’autres domaines.
◦
Les performances des agents LLM dépendent des données de formation et leurs performances peuvent varier en fonction de la qualité et de la quantité des données.
◦
Une vérification supplémentaire de l’applicabilité et de la robustesse à des environnements de simulation complexes et divers est nécessaire.
👍
Made with Slashpage