Fugu-MT 論文翻訳(概要): Using Machine Learning for Model Physics: an Overview

論文の概要: Using Machine Learning for Model Physics: an Overview

arxiv url: http://arxiv.org/abs/2002.00416v2
Date: Mon, 20 Jun 2022 15:46:58 GMT
ステータス: 処理完了
システム内更新日: 2023-01-04 20:14:40.493218
Title: Using Machine Learning for Model Physics: an Overview
Title（参考訳）: モデル物理学における機械学習の利用:概要
Authors: Vladimir Krasnopolsky, Aleksei A. Belochitski
Abstract要約: マッピングのエミュレートや近似に使用できる機械学習(ML)ツールが導入されている。開発者が標準パラメータ化パラダイムを越えられるようなMLアプローチについても議論されている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the overview, a generic mathematical object (mapping) is introduced, and its relation to model physics parameterization is explained. Machine learning (ML) tools that can be used to emulate and/or approximate mappings are introduced. Applications of ML to emulate existing parameterizations, to develop new parameterizations, to ensure physical constraints, and control the accuracy of developed applications are described. Some ML approaches that allow developers to go beyond the standard parameterization paradigm are discussed.
Abstract（参考訳）: 概観では、汎用数学的対象(マッピング)を導入し、モデル物理学のパラメータ化との関係を解説する。マッピングのエミュレートや近似に使用できる機械学習(ML)ツールが導入されている。既存のパラメータ化をエミュレートするためのmlの応用、新しいパラメータ化の開発、物理的制約の確保、開発アプリケーションの精度の制御について述べる。開発者が標準パラメータ化パラダイムを越えられるようなMLアプローチについても議論されている。

関連論文リスト

SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
論文参考訳（メタデータ） (2024-08-19T17:32:15Z)
Scaling Exponents Across Parameterizations and Optimizers [94.54718325264218]
本稿では,先行研究における重要な仮定を考察し,パラメータ化の新たな視点を提案する。私たちの経験的調査には、3つの組み合わせでトレーニングされた数万のモデルが含まれています。最高の学習率のスケーリング基準は、以前の作業の仮定から除外されることがよくあります。
論文参考訳（メタデータ） (2024-07-08T12:32:51Z)
Verbalized Machine Learning: Revisiting Machine Learning with Language Models [63.10391314749408]
言語化機械学習(VML)の枠組みを紹介する。 VMLはパラメータ空間を人間の解釈可能な自然言語に制限する。我々は,VMLの有効性を実証的に検証し,VMLがより強力な解釈可能性を実現するためのステップストーンとして機能することを期待する。
論文参考訳（メタデータ） (2024-06-06T17:59:56Z)
Joint Parameter and Parameterization Inference with Uncertainty Quantification through Differentiable Programming [0.20530463088872453]
本研究では,物理パラメータと不確実な定量化を伴う機械学習パラメータ化を共同で推定するための新しいフレームワークを提案する。本フレームワークは,高次元パラメータ空間内でのオンライン学習と効率的なベイズ推論を,微分可能プログラミングにより促進する。
論文参考訳（メタデータ） (2024-03-04T17:02:23Z)
Hyperparameter Tuning for Causal Inference with Double Machine Learning: A Simulation Study [4.526082390949313]
機械学習手法の予測性能と結果の因果推定との関係を実証的に評価する。我々は,2019 Atlantic Causal Inference Conference Data Challengeのデータを用いて,広範囲にわたるシミュレーション研究を行う。
論文参考訳（メタデータ） (2024-02-07T09:01:51Z)
SimLM: Can Language Models Infer Parameters of Physical Systems? [56.38608628187024]
物理系におけるパラメータ推論におけるLarge Language Models (LLM) の性能について検討する。実験の結果,単純なシステムであっても,本課題には適していないことが示唆された。物理シミュレータを用いてLLMのコンテキストを拡大する探索の有望な方向を提案する。
論文参考訳（メタデータ） (2023-12-21T12:05:19Z)
Seeking Neural Nuggets: Knowledge Transfer in Large Language Models from a Parametric Perspective [106.92016199403042]
パラメトリック・パースペクティブを用いて,大規模モデルから小規模モデルへの知識伝達を実証的に検討する。感性に基づく手法を用いて、異なる大言語モデル間で知識固有のパラメータを抽出・調整する。本研究は,パラメトリックな知識伝達の過程に寄与する重要な要因を明らかにする。
論文参考訳（メタデータ） (2023-10-17T17:58:34Z)
Contextualized Machine Learning [40.415518395978204]
文脈化された機械学習は、文脈情報と文脈固有のパラメトリックモデルの間のメタ関係にディープラーニングを適用することによって異種関数を推定する。本稿では、オープンソースのPyTorchパッケージContextualizedMLを紹介する。
論文参考訳（メタデータ） (2023-10-17T15:23:00Z)
Explainability for Large Language Models: A Survey [59.67574757137078]
大規模言語モデル(LLM)は、自然言語処理における印象的な能力を示している。本稿では,トランスフォーマーに基づく言語モデルを記述する手法について,説明可能性の分類法を紹介した。
論文参考訳（メタデータ） (2023-09-02T22:14:26Z)
PriorCVAE: scalable MCMC parameter inference with Bayesian deep generative modelling [12.820453440015553]
近年、可変オートエンコーダ(VAE)のような深層生成モデルを用いてGPプリエントを符号化できることが示されている。 MCMC推論において、VAEが元のプリミティブのドロップイン置換としてどのように機能するかを示す。 ODEの解を符号化するために、PresideCVAEを提案する。
論文参考訳（メタデータ） (2023-04-09T20:23:26Z)
Introduction to Machine Learning for Accelerator Physics [1.370633147306388]
この2つのCAS講義は、加速物理学の学生に機械学習(ML)の枠組みと用語について紹介する。まず、線形回帰の単純な例からMLの言語を導入します。次に、非パラメトリックモデルとカーネル手法を導入し、教師なしおよび強化学習の2つの他の機械学習パラダイムについて簡単な紹介を行う。
論文参考訳（メタデータ） (2020-06-17T14:46:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。