すべての人に一次情報を
先行研究では、Qwen3.6‑27B という大型言語モデルを、Model Context Protocol(MCP)で提供されるツールと組み合わせ、TOPAS(Geant4 のインターフェース)を用いて粒子検出器のモンテカルロシミュレーションを自動生成できることが示された。モデルはユーザーからの入力プロンプトを受け取り、MCP サーバーに保存されたツール群(TOPAS ファイル作成、構文チェック、シミュレーション実行、ROOT 解析、Kolmogorov–Smirnov(KS)検定)を呼び出す。
実験では、silicon 上に電子ビームを照射したシンプルな検出器を対象に 50 回の独立試行を行った。各試行で生成されたエネルギー蓄積分布は、参照シミュレーションと KS 検定(p 値 > 0.01)で比較された。21 回(42%)が検定に合格し、95% 信頼区間は 29%〜56% だった。失敗の主因は、コンテキストウィンドウの枯渇(16 回)と構文エラー(4 回)であった。これは、テキストベースのシミュレーション作成が、正確なツールと十分なリソースを備えれば実現可能であることを示す証拠である。
| Outcome | e− / Si |
| Passed (pKS>0.01) | 21 |
| Rejected (pKS≤0.01) | 5 |
| Simulation ran, no KSresult | 4 |
| Context window exhausted |
| 16 |
| Unresolved syntax or runtime error | 4 |
| Total | 50 |
| Success rate (95% CI) [%] | 42 (29–56) |
成功した試行では、最適なコンテキストサイズは 88,000 トークンだったが、失敗した試行では 159,000 から 219,000 トークンに達した。GPU タイムの共有が時間に影響した可能性がある。したがって、プロンプトが開発時に使われていない場合の成功率は、報告された 42% より低くなる可能性がある。
これらの結果は、モンテカルロシミュレーションを大規模言語モデルで生成できるという概念実証であり、将来的にはより複雑な検出器設計への拡張が期待される。