Az AutoB2G keretrendszer természetes nyelvi leírások alapján automatizálja az épület-hálózat szimulációt
Borui Zhang és munkatársai által kidolgozott AutoB2G keretrendszer 2,255 KB méretű, és cs.AI kategóriába tartozik.
Az AutoB2G keretrendszer, amelyet Borui Zhang és kollégái dolgoztak ki, 2 255 KB méretű, és a cs.AI kategóriába tartozik. A 27 május 2026-ban arXiv-re feltöltött cikk szerint a rendszer képes a teljes épület-hálózat szimulációs folyamatot természetes nyelvi leírások alapján automatikusan végrehajtani.
A projekt célja, hogy a CityLearn V2 modelljét B2G (Building‑to‑Grid) interakciókhoz bővítse, és a SOCIA (Simulation Orchestration for Computational Intelligence with Agents) LLM‑alapú keretrendszer segítségével generálja, futtassa és finomítsa a szimulátort. Így a felhasználónak nem kell manuálisan konfigurálnia a környezetet vagy programoznia a szimulációs modulokat.
A módszer lényege, hogy a LLM-nek egy kódkönyvtárat építettek fel, amely DAG‑ként (irányított aciklikus gráf) szervezi a szimulációs konfigurációkat és funkciókat. Ez a struktúra segíti az LLM‑et abban, hogy a modulok közötti függőségeket és végrehajtási sorrendet pontosan meghatározza, így egy teljesen futtatható útvonalat hoz létre.
Az első tesztek arra utalnak, hogy az AutoB2G képes automatizálni a szimulációs implementációkat, és javítani a hálózati szintű teljesítménymutatókat. A kutatók szerint a B2G interakciók koordinálása révén a hálózat stabilabbá válik, miközben az épületek energiafelhasználása is optimalizálódik.
Jelenleg a keretrendszer még kísérleti szakaszban van, de a cikkben bemutatott eredmények arra ösztönzik a közösséget, hogy a következő iterációkban még több valószínűségű szimulációs forgatókönyvet és részletes mérőszámot vezessenek be. A kutatók a jövőben a rendszer nyílt forráskódú elérhetőségét is tervezik, hogy szélesebb körben tesztelhető és továbbfejleszthető legyen.