モデリングとシミュレーション（M&S）の分野では、再利用可能なシミュレーションモデルを発見することが基本的な課題であり続けている。多数のモデルが共存する場合、特定のモデリング意図に合致するモデルを特定するのは依然として難しい。近年の人工知能（AI）の進歩、特に検索ベースのアプローチは、このセマンティック層で操作するための有望な道筋を提供している。
本論文では、Jhon G. Botelloら5名の著者が、自然言語クエリを用いたシミュレーションモデルの発見において、データ表現、Transformerベースの埋め込みモデル、検索戦略が与える影響を調査した実験研究を提示する。この研究は2026年冬季シミュレーション会議（WSC 2026）の議事録に採択され、最終版はIEEE Xploreに掲載される予定である。プレプリントはarXiv（2606.30846）で公開されている。
研究チームは、recall@5やnDCG@5を含む情報検索の標準指標を用いて、複数のクエリタイプにわたる性能を評価した。結果として、第一にデータ表現が重要であることが示された。データ形式の違いは、モデルが検索される容易さに影響を与える。第二に、オープンソースの埋め込みモデルが高い性能を達成できることが明らかになった。これは、高価なクローズドソースのソリューションに依存せずとも効果的なセマンティック検索が可能であることを意味する。第三に、再ランキング手法が検索品質の向上に極めて重要であり、特にクエリの複雑さが増すにつれてその役割が顕著になる。
この研究の意義は、AI駆動のモデル発見のための参照可能なベースラインを確立し、その能力がシミュレーションモデルのコンポーザビリティと相互運用性をどのように促進するかを議論している点にある。自然言語クエリを通じて再利用可能なモデルを正確に見つけることは、モデリングの敷居を下げ、モデルの共有と統合を促進し、ひいてはシミュレーションシステム開発の効率を向上させる可能性がある。今後、埋め込み技術と検索戦略の更なる最適化により、M&S分野におけるAIの応用可能性はさらに広がるだろう。