Research Article

MAS4SysML: Een multi-agent framework voor SysML v2-modelgeneratie vanuit natuurlijke taal

DOI:

10.3791/70395

May 19th, 2026

In This Article

Summary

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dit protocol presenteert MAS4SysML, een multi-agent benadering die automatisch SysML v2-code genereert via gecoördineerde taakdeling, weinig reparatieiteraties vereist en de handmatige modelleringstijd aanzienlijk vermindert terwijl de efficiëntie van het systeemmodelleren verbetert.

Abstract

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Het automatisch genereren van nauwkeurige SysML-modellen uit natuurtaalvereisten kan de adoptie van Model-Based Systems Engineering (MBSE) in complexe systeemontwikkeling aanzienlijk versnellen. Het gebruik van grote taalmodellen (LLM's) om modelcode te genereren voldoet echter vaak niet aan de strikte syntactische beperkingen van formele modelleringstalen, en het consequent waarborgen van semantische uitlijning tussen gegenereerde modellen en eisen blijft een uitdaging. Om deze uitdagingen aan te pakken, presenteert dit artikel MAS4SysML, een multi-agent samenwerkingsraamwerk voor SysML v2-codegeneratie dat syntactische correctheid en semantische consistentie verbetert onder een beperkt reparatiebudget. Het framework verdeelt een modelleertaak in hiërarchische subtaken, formaliseert deze als gestructureerde taakkaarten en genereert modelcode op een bottom-up manier. Tijdens de generatie wordt een officiële validatieomgeving gebruikt voor syntaxisdiagnostiek; Na voltooiing verifieert het framework de semantische consistentie tussen de code en de taakkaarten. Als syntaxis of semantische validatie faalt, herstelt en valideert het framework iteratief de code binnen een vooraf gedefinieerd reparatiebudget, geleid door diagnostische feedback, totdat aan de validatiecriteria is voldaan of het budget is uitgeput. Om de voorgestelde methode te evalueren, construeren we een SysML v2-dataset die vijf kerntaken omvat—eisen, gebruikssituaties, structuur, parametriek en toestandsmachines—en voeren we vergelijkende experimenten uit. Resultaten tonen aan dat MAS4SysML het gemiddelde foutpercentage in de syntaxis verlaagt tot 2,63, de semantische gelijkenis verhoogt tot 0,91 en in het algemeen beter presteert dan bestaande codegeneratiemethoden.

Introduction

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

MBSE is een belangrijke methodologie geworden voor eisenanalyse, systeemarchitectuurontwerp en verificatieplanning bij de ontwikkeling van complexe apparatuur in domeinen zoals luchtvaart en lucht- en ruimtevaart1. Met behulp van unified modeling languages zoals SysML als de modelleringsruggengraat kan informatie—waaronder vereisten, structuur, gedrag en beperkingen—worden georganiseerd in een coherent modelraamwerk, waarmee de processtructuur en de efficiëntie van interdisciplinaire samenwerking wordt verbeterd2. Echter, naarmate de systeemschaal blijft groeien, neemt het aantal modelle....

Access restricted. Please log in or start a trial to view this content.

Protocol

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Het codegeneratieproces van het MAS4SysML-framework wordt samengevat in Supplementair Bestand 1. Het moet worden opgemerkt dat deze studie niet streeft naar het in één keer genereren van een compleet systeemmodel uit natuurlijke taal met strikte cross-view consistentie, inclusief vereisten, structuur, parametriek en gedrag. In plaats daarvan richt het protocol zich op het genereren van verschillende representatieve typen SysML v2 viewcode.

Fase I: Taakanalyse
De workflow begint met taakparsen. Het systeem levert de natuurlijk-taal modelleringsintentie aan de Task Structu....

Access restricted. Please log in or start a trial to view this content.

Results

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Evaluatie van het basismodel
We selecteerden eerst verschillende reguliere LLM's en voerden voorlopige prestatietests uit met directe model-naar-code generatie, waaronder CodeX(175B)19, CodeGen-Mono(16.1B)20, PaLM Coder(62B)21, Alphacode(1.1B)22, Incoder(6.7B)23 en code-davinci-002(175B)24. Zoals weergegeven in Tabel 2.......

Access restricted. Please log in or start a trial to view this content.

Discussion

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Wij stellen MAS4SysML voor, een multi-agent samenwerkingsraamwerk voor semi-geautomatiseerde SysML v2 modelcodegeneratie. Het raamwerk bestaat uit vier functioneel complementaire agenten. Tijdens de generatie ontbindt het (i) hiërarchisch de vereisten voor natuurlijke taalmodellering met behulp van een taakboom-gebaseerde structuur en formaliseert deze in gestructureerde taakkaarten, en (ii) genereert het SysML v2-modelcode op een bottom-up manier, geleid door de beperkingen en afhankeli.......

Access restricted. Please log in or start a trial to view this content.

Disclosures

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

De auteurs hebben geen belangenconflicten. AI/LLM-tools werden alleen gebruikt tijdens het opbouwen van datasets. Specifiek gebruikten we om een evaluatiedataset te bouwen een AI-tool om probleemstatements in natuurlijke taal te genereren die overeenkomen met handmatig gemaakte SysML v2-modellen (d.w.z. het genereren van de "taakbeschrijving" gegeven een door de auteur gebouwde SysML v2-model), en vormden input-outputparen voor benchmarking. Naast dit beperkte doel werd AI niet gebruikt om de voorgestelde methode, experimentele resultaten, data-analyses, figuren/tabellen of enig manuscripttekst te genereren.

Acknowledgements

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dit onderzoek wordt ondersteund door het Civil Aerospace Project (D020101) van de Chinese Staatsadministratie voor Wetenschap, Technologie en Industrie voor Nationale Defensie.

....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
LangChainLangChain (open-source project)v1.0.8; https://github.com/langchain-ai/langchainFramework for LLM interaction and agent orchestration
LangGraphLangChain (open-source project)v1.0.3; https://github.com/langchain-ai/langgraphMulti-agent workflow execution framework
PythonPython Software Foundation3.10.x; https://www.python.org/downloads/release/python-3100/Main programming language for MAS4SysML implementation
SysML v2 Pilot ImplementationObject Management Group (OMG)(provide release/tag version); https://github.com/Systems-Modeling/SysML-v2-Pilot-ImplementationUsed for syntax validation and model parsing

References

Loading...
$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Miller, W. D. The Future of Systems Engineering: Realizing the Systems Engineering Vision 2035. Transdisciplinarity and the Future of Engineering. , IOS Press. (2022).
  2. Kirshner, M. J. A. Model-based systems engineering cybersecurity for space systems. Aerospace. 10 (2), 116(2023).
  3. Bajaj, M., Fried....

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

SysML Model GenerationMulti Agent FrameworkNatural Language RequirementsModel Based Systems EngineeringSemantic ConsistencySyntactic CorrectnessLarge Language ModelsCode ValidationTask DecompositionSemantic Alignment

Related Articles