論文の概要: When we can trust computers (and when we can't)
- arxiv url: http://arxiv.org/abs/2007.03741v1
- Date: Wed, 8 Jul 2020 08:55:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 23:45:55.721522
- Title: When we can trust computers (and when we can't)
- Title（参考訳）: コンピュータを信頼できる時(そしてできないとき)
- Authors: Peter V. Coveney and Roger R. Highfield
- Abstract要約: 理論上は比較的単純でしっかりと根ざした科学と工学の分野において、これらの手法は確かに強力である。
ビッグデータと機械学習の台頭は、真の説明力に欠けながら、計算に新たな課題をもたらす。
長期的には、デジタル計算に現在置かれている過度な信頼を誘惑するために、アナログ手法に重点を置く必要がある。
- 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: With the relentless rise of computer power, there is a widespread expectation
that computers can solve the most pressing problems of science, and even more
besides. We explore the limits of computational modelling and conclude that, in
the domains of science and engineering that are relatively simple and firmly
grounded in theory, these methods are indeed powerful. Even so, the
availability of code, data and documentation, along with a range of techniques
for validation, verification and uncertainty quantification, are essential for
building trust in computer generated findings. When it comes to complex systems
in domains of science that are less firmly grounded in theory, notably biology
and medicine, to say nothing of the social sciences and humanities, computers
can create the illusion of objectivity, not least because the rise of big data
and machine learning pose new challenges to reproducibility, while lacking true
explanatory power. We also discuss important aspects of the natural world which
cannot be solved by digital means. In the long-term, renewed emphasis on
analogue methods will be necessary to temper the excessive faith currently
placed in digital computation.
- Abstract（参考訳）: コンピュータパワーの絶え間ない上昇により、コンピュータは科学の最も圧力のかかる問題を、さらにさらに解決できると広く期待されている。
計算モデリングの限界を探求し、比較的単純で理論に固執した科学と工学の領域において、これらの手法は確かに強力である、と結論づける。
それでも、コード、データ、ドキュメントの可用性は、検証、検証、不確実性定量化といった様々な技術とともに、コンピュータが生成した発見に対する信頼を構築する上で不可欠である。
科学分野の複雑なシステム、特に生物学や医学において、社会科学や人文科学について何も言わずに、理論に固執していない場合、コンピュータは客観性の錯覚を生み出すことができる。
また,デジタル手法では解決できない自然界の重要な側面についても論じる。
長期的には、デジタル計算に現在置かれている過度な信頼を誘惑するために、アナログ手法に重点を置く必要がある。
関連論文リスト
- Artificial intelligence for science: The easy and hard problems [1.8722948221596285]
我々は科学者の認知科学を研究し、人間がどのように難しい問題を解くかを理解する。
結果を用いて、科学パラダイムを自動推論し、更新する新しい計算エージェントを設計する。
論文 参考訳（メタデータ） (2024-08-24T18:22:06Z) - A Review of Neuroscience-Inspired Machine Learning [58.72729525961739]
バイオプルーシブル・クレジット・アサインメントは、事実上あらゆる学習条件と互換性があり、エネルギー効率が高い。
本稿では,人工ニューラルネットワークにおける信用代入の生体評価可能なルールをモデル化する,いくつかの重要なアルゴリズムについて検討する。
我々は,このようなアルゴリズムを実用アプリケーションでより有用にするためには,今後の課題に対処する必要があることを論じる。
論文 参考訳（メタデータ） (2024-02-16T18:05:09Z) - Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。
PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文 参考訳（メタデータ） (2023-08-15T16:37:16Z) - Reliable AI: Does the Next Generation Require Quantum Computing? [71.84486326350338]
デジタルハードウェアは、最適化、ディープラーニング、微分方程式に関する問題の解決に本質的に制約されていることを示す。
対照的に、Blum-Shub-Smale マシンのようなアナログコンピューティングモデルは、これらの制限を克服する可能性を示している。
論文 参考訳（メタデータ） (2023-07-03T19:10:45Z) - A Survey of Deep Learning for Mathematical Reasoning [71.88150173381153]
我々は過去10年間の数学的推論とディープラーニングの交差点における重要なタスク、データセット、方法についてレビューする。
大規模ニューラルネットワークモデルの最近の進歩は、新しいベンチマークと、数学的推論にディープラーニングを使用する機会を開放している。
論文 参考訳（メタデータ） (2022-12-20T18:46:16Z) - When not to use machine learning: a perspective on potential and
limitations [0.0]
データ駆動モデリングの指針原則と、これらの原則が、ほぼ魔法のような予測力を持つモデルをどのように組み合わせているかを強調します。
フォローすべき議論は、研究者にそのテクニックが適切かどうかをよりよく理解してもらうことを願っている。
論文 参考訳（メタデータ） (2022-10-06T04:00:00Z) - A Computational Inflection for Scientific Discovery [48.176406062568674]
我々は科学的な発見の軌跡において、かなりの屈折の足元に立っている。
社会が急速に成長するデジタルトランスフォーメーションを継続するにつれて、人類の集団的な科学的知識も同様である。
コンピュータ科学は科学プロセス自体に革命を起こそうとしている。
論文 参考訳（メタデータ） (2022-05-04T11:36:54Z) - Neurocompositional computing: From the Central Paradox of Cognition to a
new generation of AI systems [120.297940190903]
AIの最近の進歩は、限られた形態のニューロコンフォメーションコンピューティングの使用によってもたらされている。
ニューロコンポジションコンピューティングの新しい形式は、より堅牢で正確で理解しやすいAIシステムを生み出します。
論文 参考訳（メタデータ） (2022-05-02T18:00:10Z) - Off-the-shelf deep learning is not enough: parsimony, Bayes and
causality [0.8602553195689513]
材料科学における深層学習の実現に向けた機会と障害について論じる。
私たちは、ディープラーニングとAIは、因果関係が知られている分野に革命をもたらすのに十分な位置にあると論じています。
論文 参考訳（メタデータ） (2020-05-04T15:16:30Z)
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。