論文の概要: Integrating Scientific Knowledge with Machine Learning for Engineering
and Environmental Systems
- arxiv url: http://arxiv.org/abs/2003.04919v6
- Date: Mon, 14 Mar 2022 01:04:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 20:54:19.900896
- Title: Integrating Scientific Knowledge with Machine Learning for Engineering
and Environmental Systems
- Title(参考訳): 工学・環境システムのための科学知識と機械学習の統合
- Authors: Jared Willard, Xiaowei Jia, Shaoming Xu, Michael Steinbach, Vipin
Kumar
- Abstract要約: 複雑な科学と工学の問題に対する解決策が、新しい方法論を必要とするという意見の一致はますます高まっている。
本稿では,そのような手法について概説する。
次に、これらの既存の手法の分類法を提供し、知識ギャップと、規律間の方法の潜在的な相互オーバーを明らかにする。
- 参考スコア(独自算出の注目度): 5.23043130762977
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There is a growing consensus that solutions to complex science and
engineering problems require novel methodologies that are able to integrate
traditional physics-based modeling approaches with state-of-the-art machine
learning (ML) techniques. This paper provides a structured overview of such
techniques. Application-centric objective areas for which these approaches have
been applied are summarized, and then classes of methodologies used to
construct physics-guided ML models and hybrid physics-ML frameworks are
described. We then provide a taxonomy of these existing techniques, which
uncovers knowledge gaps and potential crossovers of methods between disciplines
that can serve as ideas for future research.
- Abstract(参考訳): 複雑な科学と工学の問題に対する解決策には、従来の物理に基づくモデリングアプローチと最先端の機械学習(ML)技術を統合できる新しい方法論が必要であるという意見が、ますます高まっている。
本稿では,このような手法の構造化概要について述べる。
これらのアプローチが適用されたアプリケーション中心の客観的領域を要約し、物理誘導mlモデルとハイブリッド物理mlフレームワークを構築するための方法論のクラスについて述べる。
そして、これらの既存の技術の分類法を提供し、将来の研究のアイデアとして使える分野間での知識のギャップと潜在的な方法のクロスオーバーを明らかにする。
関連論文リスト
- A Survey on Physics Informed Reinforcement Learning: Review and Open
Problems [25.3906503332344]
本稿では,強化学習アプローチにおける物理情報の導入に関する文献を概説する。
既存の研究を分類するためのバックボーンとして強化学習パイプラインを用いた新しい分類法を導入する。
この初期段階の分野は、実世界のシナリオにおける物理的な妥当性、精度、データ効率、適用性を高めて強化学習アルゴリズムを強化する大きな可能性を秘めている。
論文 参考訳(メタデータ) (2023-09-05T02:45:18Z) - Symmetry-Informed Geometric Representation for Molecules, Proteins, and
Crystalline Materials [66.14337835284628]
幾何戦略の有効性をベンチマークできるGeom3Dというプラットフォームを提案する。
Geom3Dは16の高度な対称性インフォームド幾何表現モデルと46の多様なデータセット上の14の幾何事前学習方法を含んでいる。
論文 参考訳(メタデータ) (2023-06-15T05:37:25Z) - A conceptual model for leaving the data-centric approach in machine
learning [1.24245398967236]
機械学習モデルに外部制約を含む方法が提案されている。
本稿では,これらのアプローチを共通言語で統一する概念的高レベルモデルについて論じる。
論文 参考訳(メタデータ) (2023-02-07T10:06:48Z) - Deep learning applied to computational mechanics: A comprehensive
review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。
ハイブリッドおよび純粋機械学習(ML)の手法について論じる。
AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文 参考訳(メタデータ) (2022-12-18T02:03:00Z) - Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。
物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
論文 参考訳(メタデータ) (2022-03-11T18:27:04Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳(メタデータ) (2021-11-02T10:51:42Z) - Applications and Techniques for Fast Machine Learning in Science [11.578814969632552]
このレポートは、Fast ML for Scienceコミュニティが開催する2つのワークショップに基づいている。
さまざまな科学的領域にわたる高速MLのアプリケーション、パフォーマンスとリソース効率のアルゴリズムのトレーニングと実装のテクニック、これらのアルゴリズムをデプロイするアーキテクチャ、プラットフォーム、テクノロジの3つの分野をカバーする。
このレポートは、統合および加速されたMLソリューションによる科学的発見のための多くの例とインスピレーションを提供することを目的としている。
論文 参考訳(メタデータ) (2021-10-25T15:25:25Z) - Paradigm Shift Through the Integration of Physical Methodology and Data
Science [0.0]
従来の物理・データ科学の方法論を統合する手法は、数学解析の新しい方法である。
本稿では,科学的理論の観点から,このような統合手法の重要性と重要性を強調した。
論文 参考訳(メタデータ) (2021-09-30T18:00:09Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳(メタデータ) (2021-08-09T17:39:09Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳(メタデータ) (2020-08-05T15:45:54Z) - Semantic interoperability based on the European Materials and Modelling
Ontology and its ontological paradigm: Mereosemiotics [0.0]
欧州物質・モデリングオントロジー(EMMO)は、最近、計算分子工学とマルチスケールモデリングコミュニティにおいてトップレベルとして進歩している。
この研究は、同じパラダイム – 同じ基本セット – に基づいて、トップレベルがどのように構築されているかを探求する。
オントロジー - EMMOが適用できるように。
物理システムのモデルとその計算工学の実践での使用。
論文 参考訳(メタデータ) (2020-03-22T13:19:55Z)
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。