AutoSAM: an Agentic Framework for Automating Input File Generation for the SAM Code with Multi-Modal Retrieval-Augmented Generation

この論文は、大規模言語モデルエージェントと多モーダル検索拡張生成を組み合わせることで、構造化されていないエンジニアリング文書から自動的かつ透明性のある SAM（System Analysis Module）入力ファイルを生成し、原子炉の熱水力シミュレーションを効率化する「AutoSAM」という自律型フレームワークを提案し、複数のケーススタディでその有効性を実証したものである。

要約

この論文は、**「AutoSAM（オートサム）」**という、人工知能（AI）が核反応炉の設計図やデータから、複雑なシミュレーション用の「入力ファイル」を自動的に作るシステムについて紹介しています。

専門用語を避け、日常の例えを使って簡単に説明しましょう。

🏗️ 従来の問題：「翻訳と手書き」の地獄

核反応炉の設計や安全チェックには、**「SAM」**という非常に高度な計算プログラムが使われます。しかし、このプログラムにデータを入れるには、以下のような大変な作業が必要でした。

• バラバラな情報源： 設計図（画像）、技術報告書（PDF）、表計算（Excel）、メモなど、情報があちこちに散らばっています。
• 人間の手作業： 専門家がこれらの書類を一つずつ読み込み、「あ、ここは温度だ」「ここは配管の長さだ」と見つけ出し、それを SAM というプログラムが理解できる「特殊な言語（入力ファイル）」に手書きで入力する必要があります。
• 時間とミス： この作業は数日〜数週間かかり、人間がミスをするリスクも常にありました。

これは、**「世界中の異なる言語で書かれたレシピ集（設計図）を読み解き、それを一つの料理屋さんの注文用紙（入力ファイル）に、手書きで正確に書き写す作業」**に似ています。

---

🤖 AutoSAM の登場：「賢いアシスタント」

この論文で紹介されているAutoSAMは、この地獄のような作業を助ける**「超優秀な AI アシスタント」**です。

1. 何でも読み取る「目」と「耳」

AutoSAM は、ただのテキストを読むだけではありません。

• PDF や報告書の文章を読み解く。
• 設計図やグラフを見て、「この丸い部分はポンプだ」「この線は配管だ」と理解する（画像認識）。
• Excel の表から数値を正確に読み取る。

まるで、**「設計図と報告書が書かれた巨大な図書館に、一目で必要な本を見つけ出し、図面も読める天才的な助手」**がいるようなものです。

2. 専門家の「マニュアル」を常に持ち歩く

AI は何でも知ってるわけではありません。SAM というプログラムは特殊すぎて、普通の AI が勉強したデータには載っていません。
そこで AutoSAM は、**「SAM のユーザーマニュアルと理論書」**を常に持ち歩き、必要な時にすぐに参照できるようにしています。

• RAG（検索拡張生成）： 質問があれば、マニュアルの中から「正解」を探してきて、それに基づいて回答します。これにより、AI が勝手に嘘（ハルシネーション）をつくのを防ぎます。

3. 「中間チェック」で安全を確保

ここが最も重要なポイントです。AutoSAM は、いきなり最終的なプログラムファイルを作らず、**「中間のメモ（中間構造ファイル）」**を作ります。

• 人間のチェック： AI が「ここは配管の長さ 5 メートルと推測しました」とメモを残します。
• 人間の承認： 専門家がそのメモを見て、「あ、それは違う、実際は 6 メートルだ」と修正したり、「このデータはなかったから推測でいい」と承認したりします。
• 最終生成： 人間が OK を出してから、AI が最終的な入力ファイルを作ります。

これは、**「AI が下書きを書き、人間が校正して、最後に印刷する」**というプロセスと同じです。核の安全に関わる作業なので、AI 任せにせず、人間が最終確認をする仕組みになっています。

---

🧪 4 つのテスト：どれくらいできるの？

論文では、AutoSAM が 4 つの異なる難易度の課題に挑戦しました。

1. 単純なパイプ（Excel だけ）： 表計算データだけから、パイプのシミュレーションを作りました。100% 成功。
2. 燃料と温度の反応（Excel だけ）： 温度が上がると反応が変わる複雑な仕組みも、データから正確に作れました。100% 成功。
3. 高速増殖炉の心臓部（画像＋PDF）： 設計図（画像）と報告書（PDF）から、5 つの流路を持つ複雑な炉心モデルを作りました。画像から 100%、文章から約 88% の情報を正しく抽出。
4. 溶融塩炉の全体ループ（画像＋PDF＋Excel）： 配管、ポンプ、熱交換器などがぐるっと繋がった全体のループを、バラバラの資料から復元しました。全体の流れを正しく再現。

---

🌟 この技術のすごいところ

• 「モデル作成」が「プロンプト（指示）」になる：
  以前は「データを探して、手入力して、チェックして」という作業が大半でしたが、今後は**「設計図と資料を AI に渡して、『これを使ってシミュレーションして』と指示するだけ」**で済むようになります。
• 透明性： AI がどこからデータを拾ってきたか、どこを推測したかがすべて記録されるため、後から誰でも追跡できます。
• 効率化： 専門家は、単純なデータ入力ではなく、「モデルの精度を高める」「新しいシナリオを考える」という、より高度な仕事に集中できるようになります。

まとめ

この論文は、**「AI が核反応炉の設計資料をすべて読み込み、人間がチェックするだけで、すぐに安全なシミュレーションが始められる」**という未来を提案しています。

AI は「魔法の杖」ではなく、**「人間の専門家を助ける最強のパートナー」**として、核の安全と設計の効率化を両立させるための重要な一歩です。

技術概要

AutoSAM: 多モーダル検索拡張生成（RAG）を用いた SAM コード入力ファイル自動生成のためのエージェントフレームワーク

本論文は、高度な原子炉システムの設計・安全解析において、システムレベルの熱水力コード（SAM: System Analysis Module）の入力ファイル作成に伴う手作業のボトルネックを解消するため、AutoSAM と呼ばれる自律型エージェントフレームワークを提案したものです。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細にまとめます。

1. 背景と問題定義

原子炉の安全解析や設計評価において、RELAP、TRACE、SAM などのシステムコードは不可欠です。しかし、これらのコードの入力ファイル作成は、以下の理由から非常に時間がかかり、エラーが発生しやすい工程となっています。

• 非構造化データの複雑性: 設計データは、配管・計装図（P&ID）、設計基準書、材料物性データベース、レガシーレポート、スプレッドシート、図面など、多様な形式（テキスト、表、画像、PDF）に散在しています。
• 手作業の限界: 解析者はこれらの異種ドキュメントからパラメータを抽出し、整合性を確認した後、コード固有の構文に手動で転記する必要があります。
• 高度な原子炉の課題: 高速炉（SFR）、溶融塩炉（MSR）などの次世代原子炉は、従来の軽水炉のような標準化されたコンポーネント記述やモデルテンプレートが存在せず、不完全な資料や複数のソースからの情報統合が特に困難です。
• LLM の限界: 既存の大型言語モデル（LLM）は、SAM のようなクローズドソースのコードの構文や専門的な理論をトレーニングデータとして十分に持っておらず、そのままではハルシネーション（嘘の生成）や誤った出力を引き起こすリスクがあります。

2. 手法：AutoSAM フレームワーク

AutoSAM は、LangChain を基盤とした ReAct（Reasoning and Acting）ベースの単一エージェント・アーキテクチャを採用しています。ドメイン特化型の知識とツールを組み合わせることで、非構造化のエンジニアリング文書から検証済みの入力ファイル（Input Deck）を生成します。

2.1. 3 つの専門化戦略

LLM の能力を原子炉解析分野に特化させるため、以下の 3 つのアプローチを統合しています。

1. システム指示（System Instructions）: SAM の入力ファイル構造、モデリング慣習、およびユーザーガイド/理論マニュアルから抽出された重要な情報を、モデルの永続的なコンテキストとして提供します。
2. 検索拡張生成（RAG）: SAM のユーザーガイドや理論マニュアルをベクトルストアに埋め込み、ユーザーのクエリに基づいて関連する専門知識を動的に検索・参照できるようにします。
3. 専門ツール（Specialized Tools）: 7 つの専用ツールを備え、多モーダルなデータ処理を可能にします。

2.2. 主要なツール群

• コンテンツ解析ツール: Excel ファイルやテキストファイルの全文読み取り、要約、構造化。
• 検索ツール:
  • PDF 分析ツール: Nougat モデル（科学論文向け OCR）を用いてテキスト、数式、表を抽出し、ビジョン言語モデル（VLM）を用いて図や図表の内容を記述・埋め込みます。これにより、テキストと視覚情報の両方からの検索が可能になります。
  • 画像分析ツール: 図面やスナップショットを VLM で解析し、ベクトル検索を通じて関連情報を取得します。
• 指示伝達ツール:
  • 入力ファイル作成ツール: 抽出された中間構造データ（YAML 形式など）を基に、SAM 固有の構文に変換するプロンプトを生成します。
  • 入力ファイル検証ツール: 生成された入力ファイルの構文、物理的整合性（単位、接続性など）を検証し、欠落や矛盾をエージェントに報告します。

2.3. ワークフロー

1. 入力: 非構造化ドキュメント（PDF、画像、スプレッドシートなど）をエージェントに投入。
2. 抽出と中間表現: ツールを用いてパラメータを抽出し、人間が監査可能な中間構造ファイル（YAML 等）を生成。
3. 人間による確認（Human-in-the-loop）: 専門家が中間ファイルを確認・修正・補完します。
4. 生成と検証: 確認されたデータを基に最終的な SAM 入力ファイルを生成し、検証ツールで整合性をチェック。

3. 主要な貢献

• 多モーダル・RAG エージェントの導入: 原子炉モデリングにおいて、テキスト、図面、数値表を横断的に解釈し、統合する初の自律型フレームワークの提案。
• 人間中心の監査プロセス: 最終出力を直接生成するのではなく、一度「人間が確認・編集可能な中間構造表現」を経由させる設計により、安全性と透明性を担保しています。
• 閉鎖ソースコードへの適応: 公開トレーニングデータに存在しない SAM などの専門コードに対し、RAG とシステム指示、専用ツールを組み合わせることで、高精度な入力生成を実現した点。

4. 評価結果

4 つのケーススタディ（単一パイプ、固体燃料チャネル、ABTR コア、MSRE プライマリーループ）を用いて評価されました。

4.1. ケーススタディ

1. 単一パイプモデル: 構造化データ（Excel）のみから、熱水力の基礎方程式に基づく定常状態モデルを正確に生成。
2. 固体燃料温度反応度フィードバック: 流体と固体の熱伝導、および反応度フィードバックを組み合わせた多物理場モデルを生成。
3. ABTR（高速炉）コアモデル: 図面（トポロジー）と PDF（運転条件）から並列チャネルモデルを構築。欠落データは明示的に仮定としてラベル付け。
4. MSRE（溶融塩炉）プライマリーループ: 複雑な循環ループ（コア、ポンプ、熱交換器等）の接続性を図面から再構築し、物理的に整合したループ全体の挙動をシミュレーション。

4.2. 定量的パフォーマンス

• 構造化データ: スプレッドシートから提供されたパラメータの**100%**を正しく利用。
• PDF テキスト抽出: 期待されるデータ項目の約**88%**を抽出成功（残りは人間による補完が必要）。
• 視覚的幾何学抽出: 図面からの幾何学的属性の抽出において**100%**の完全性を達成。図面から明示されていない寸法や相対位置の推論も成功。
• シミュレーション結果: 生成されたモデルはすべて実行可能であり、熱水力学的な挙動（温度分布、圧力損失など）が物理的に妥当な結果を示しました。

5. 意義と将来展望

• 「モデル構築のボトルネック」の解消: 解析者がドキュメントからパラメータを手動で転記する時間を大幅に削減し、モデルの信頼性と再現性を向上させます。
• プロンプト駆動型モデリング: 解析者がシステム記述と資料を提供するだけで、エージェントが実行可能なシミュレーションモデルに変換する新しいパラダイムを確立しました。
• 安全性とトレーサビリティ: 中間ファイルによる人間による確認ステップと、仮定値の明示的なラベル付けにより、原子炉安全解析が求める厳格な品質保証（QA）プロセスと整合しています。
• 将来の展開: 本フレームワークは他のシステムコード（RELAP5, TRACE など）への拡張が可能であり、将来的にはシミュレーション実行、エラー自動修正、ポストプロセッシングまでの完全自動化が期待されます。

結論として、AutoSAM は、高度な原子炉設計において AI を活用しつつも人間の専門知を中核に据えた、実用的かつ安全な自動化アプローチの実証となりました。