AIはどのようにモデルを見つけるのか？データ形式、埋め込み、検索戦略を考慮したモデル発見の実験的研究
この実験的研究は、自然言語クエリを用いたシミュレーションモデルのAI駆動型発見を調査します。データ表現、トランスフォーマーベースの埋め込みモデル、および検索戦略の影響を調べ、データ表現が重要であり、オープンソースの埋め込みモデルが高いパフォーマンスを達成できること、そしてクエリの複雑性が増すにつれて再ランキング手法が重要になることを示しています。この研究はAI駆動型モデル発見のベースラインを提供し、AI駆動型の構成可能性と相互運用性への進展について議論しています。
モデリングとシミュレーション（M&S）の分野では、シミュレーションモデルの数が急増する中で、特定のモデリング意図に合致するモデルを効率的に発見し再利用することが、重要な課題となっています。従来のモデル検索手法はメタデータやキーワードマッチングに依存することが多く、モデルの意味的な内容を十分に捉えることができませんでした。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、この意味的な層で動作する有望な道を提供しています。
このような背景のもと、Jhon G. Botello氏とその共同研究者らは、データ表現、トランスフォーマーベースの埋め込みモデル、および検索戦略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与える影響を実験的に調査しました。研究では、複数のクエリタイプに対して標準的な情報検索指標（recall@5やnDCG@5）を用いて性能を評価しました。実験の結果、データ表現が検索性能に大きな影響を与えること、オープンソースの埋め込みモデル（Hugging Faceなど）がプロプライエタリモデル（OpenAIの埋め込みモデルなど）と同等の高い性能を達成できること、そしてクエリの複雑性が増すにつれて再ランキング手法（例えばクロスエンコーダを用いた再ランキング）が重要になることが明らかになりました。
本研究の主要な貢献は、AI駆動型モデル発見のための体系的なベースラインを提供した点にあります。著者らは、この研究がシミュレーションモデルの再利用性を高めるだけでなく、AI駆動型のモデル構成可能性と相互運用性の基盤を築くものであると述べています。AI技術とモデリング・シミュレーションを組み合わせることで、研究者は既存のモデルをより効率的に発見し再利用できるようになり、モデリングコストの削減とシミュレーション研究の加速が期待されます。
本論文は2026年冬季シミュレーション会議（WSC 2026）に採択されており、最終版はIEEE Xploreに掲載される予定です。プレプリントはarXiv（arXiv:2606.30846）から入手可能です。モデルの増加とAI技術の進展に伴い、この研究方向は今後さらに重要な役割を果たすでしょう。