Abstract
LLM支援によるモデリングは、粗い記述とセンサーデータだけから複雑なシステムの実行可能なデジタルツインを迅速に構築する可能性を秘めています。しかし、LLM幻覚への耐性、人による監督、そしてリアルタイムなモデル適応力の維持は依然として困難であり、多くの場合、互いに相反する要求でもあります。本稿では、そのようなワークフローへ耐性と監督を統合するための3つの重要な設計原則を提示します。これらは、工場システム向けデジタルツインをシミュレーションに基づいて構築するためのオープンソースのLLM支援フレームワーク「FactoryFlow」に関する取り組みから得られた知見に基づいています。第一に、構造モデリングとパラメータ推定（フィッティング）を直交化します。構造記述（コンポーネント、相互接続）は、粗い自然言語から人が可視化・検証できる中間表現へLLMによって翻訳され、その中間表現はアルゴリズム的に最終モデルへと変換されます。一方、パラメータ推定は、専門家が調整可能な制御を用いて、センサーデータのストリームに対して連続的に動作します。第二に、モデルIRを、モノリシックなシミュレーションコードではなく、パラメータ化され事前に検証済みのライブラリコンポーネントの相互接続に限定します。これにより、解釈可能性とエラー耐性が可能になります。第三、そして最も重要なのは、密度保存（density-preserving）なIRを用いることです。IR記述がコンパクトな入力から劇的に膨張すると、幻覚による誤りがそれに比例して蓄積します。密度保存なIRとしてPythonを採用することの妥当性を提示します。ループは規則性をコンパクトに表現し、クラスは階層と合成（composition）を捉え、結果として、読みやすさを高いまま維持しつつ、LLMの強力なコード生成能力を活用できます。重要な貢献として、詳細度や複雑さの異なるモデル記述において、LLMが誘発する誤りをきめ細かく特性化した内容を詳述します。これにより、IRの選択が誤り率に決定的に影響することが明らかになります。これらの知見は、耐性があり透明性の高いLLM支援によるシミュレーション自動化ワークフローを構築するための実行可能な指針を提供します。
