[論文レビュー] A Large Language Model-based multi-agent manufacturing system for intelligent shopfloor

Zhen Zhao, Dunbing Tang+7 more|arXiv (Cornell University)|May 27, 2024

Advanced Manufacturing and Logistics Optimization被引用数 10

ひとこと要約

本論文は、モジュラーエージェント（MSM、BIM、BM、TM、DM）を用い、事前学習なしに現場での処理機を動的に割り当てるLLM主導のマルチエージェント製造システムを提案する。これにより、ベースラインと比較してメイクスパンと安定性が優れている。

ABSTRACT

As customer demand for multi-variety and small-batch production increases, dynamic disturbances place greater demands on manufacturing systems. To address such challenges, researchers proposed the multi-agent manufacturing system. However, conventional agent negotiation typically relies on pre-defined and fixed heuristic rules, which are ill-suited to managing complex and fluctuating disturbances. In current implementations, mainstream approaches based on reinforcement learning require the development of simulators and training models specific to a given shopfloor, necessitating substantial computational resources and lacking scalability. To overcome this limitation, the present study proposes a Large Language Model-based (LLM-based) multi-agent manufacturing system for intelligent shopfloor management. By defining the diverse modules of agents and their collaborative methods, this system facilitates the processing of all workpieces with minimal human intervention. The agents in this system consist of the Machine Server Module (MSM), Bid Inviter Module (BIM), Bidder Module (BM), Thinking Module (TM), and Decision Module (DM). By harnessing the reasoning capabilities of LLMs, these modules enable agents to dynamically analyze shopfloor information and select appropriate processing machines. The LLM-based modules, predefined by system prompts, provide dynamic functionality for the system without the need for pre-training. Extensive experiments were conducted in physical shopfloor settings. The results demonstrate that the proposed system exhibits strong adaptability, and achieves superior performance (makespan) and stability (as measured by sample standard deviation) compared to other approaches without requiring pre-training.

研究の動機と目的

• 製造における動的な障害下で多品種・少量生産の処理を扱う動機づけ。
• 人間の介入を最小限に抑えた自律的な現場管理の実現。
• 固定ヒューリスティックな交渉や資源集約的なRL訓練の制限の克服。
• 実世界の現場に適用可能な事前学習を伴わないLLMベースのエージェントフレームワークのスケーラビリティを示す。

提案手法

• モジュール式エージェントの役割を定義する：Machine Server Module (MSM)、Bid Inviter Module (BIM)、Bidder Module (BM)、Thinking Module (TM)、およびDecision Module (DM)。
• 事前定義されたシステムプロンプトを通じたLLMの推論を活用し、現場情報の動的分析と機械選択を可能にする。
• 事前学習を回避するため、プロンプトで動的な機能を駆動するLLMベースのモジュールを使用する。
• 現場での適応性、メイクスパン、安定性を評価するために物理的な現場実験でシステムを評価する。

実験結果

リサーチクエスチョン

• RQ1 LLMベースのマルチエージェントフレームワークは、タスク特化の前学習なしに現場での機械割り当てを自律的に管理できるか。
• RQ2 提案システムは、動的な障害下でのメイクスパンと安定性の点で、非LLMまたは事前学習済みのベースラインと比較してどのように性能を示すか。
• RQ3 モジュール型エージェント設計が知的な現場の適応性とスケーラビリティに与える影響は何か。

主な発見

• 提案システムは物理的な現場設定で強い適応性を示す。
• 事前学習なしの他のアプローチと比較して、メイクスパンで優れた性能を達成する。
• 標本標準偏差で測定される安定性は、ベースライン手法と比較して向上している。
• 各現場ごとにシミュレータ開発や訓練を必要としないアプローチである。