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
- Joint Parameter and Parameterization Inference with Uncertainty
Quantification through Differentiable Programming [0.23074183054194847]
本稿では,物理パラメータの同時推定と不確実性,およびタンデムにおける機械学習パラメータ化のための新しいフレームワークを提案する。
このアプローチは、微分可能なプログラミングの能力によって実現されます。
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 [114.70886320845715]
大規模言語モデル(LLM)は本質的に、広範囲なコーパスの事前学習を通じて、パラメータ内の豊富な知識を符号化する。
本稿では,パラメトリックの観点から,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。
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) - Automatic Parameterization for Aerodynamic Shape Optimization via Deep
Geometric Learning [60.69217130006758]
空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。
どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。
2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
論文 参考訳(メタデータ) (2023-05-03T13:45:40Z) - 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) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳(メタデータ) (2021-06-03T12:59:16Z) - On the Sparsity of Neural Machine Translation Models [65.49762428553345]
性能向上のために冗長パラメータを再利用できるかどうかを検討する。
実験と分析は異なるデータセットとNTTアーキテクチャで体系的に行われる。
論文 参考訳(メタデータ) (2020-10-06T11:47:20Z) - 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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。