シミュレーション分野において、構築済みモデルの再利用は重要な課題です。多数のモデルが存在する環境で、特定のモデリング目的に適合したモデルを効率的に発見することは依然として困難な問題として認識されています。本研究は、このような課題に対してAIの検索ベースのアプローチを活用し、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性向上を目指しています。 研究チームは、データ表現方法、トランスフォーマーベースの埋め込みモデル、および検索戦略がモデル発見性能に与える影響を詳細に調査しました。複数のクエリタイプを対象として、recall@5やnDCG@5といった標準的な情報検索メトリクスを使用して性能評価を実施しています。 実験結果は、いくつかの重要な知見をもたらしました。まず、データ表現方法がモデル発見性能に大きく影響することが明らかになっています。次に、オープンソースの埋め込みモデルであっても高い性能を達成可能であることが示されました。さらに、特にクエリの複雑性が増す場合において、リランキング手法が重要な役割を果たすことが確認されました。 本研究は、AI駆動型モデル発見の基準を確立するとともに、AI駆動型のコンポーザビリティとインターオペラビリティの向上に貢献する基盤を提供しています。この成果は、シミュレーション分野におけるモデル管理と再利用の効率化を実現する上で、実用的な価値を持つものとなります。