論文の概要: Scientific intuition inspired by machine learning generated hypotheses
- arxiv url: http://arxiv.org/abs/2010.14236v2
- Date: Mon, 14 Dec 2020 18:31:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 11:48:29.093206
- Title: Scientific intuition inspired by machine learning generated hypotheses
- Title（参考訳）: 機械学習による仮説に基づく科学的直観
- Authors: Pascal Friederich, Mario Krenn, Isaac Tamblyn, Alan Aspuru-Guzik
- Abstract要約: 私たちは、機械学習モデル自体が得る洞察と知識に焦点を移します。
決定木では, 化学や物理から, ビッグデータから人間の解釈可能な洞察を抽出するために, 勾配増進法を適用した。
数値を超える能力は、機械学習を使って概念理解の発見を加速する扉を開く。
- 参考スコア（独自算出の注目度）: 2.294014185517203
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning with application to questions in the physical sciences has
become a widely used tool, successfully applied to classification, regression
and optimization tasks in many areas. Research focus mostly lies in improving
the accuracy of the machine learning models in numerical predictions, while
scientific understanding is still almost exclusively generated by human
researchers analysing numerical results and drawing conclusions. In this work,
we shift the focus on the insights and the knowledge obtained by the machine
learning models themselves. In particular, we study how it can be extracted and
used to inspire human scientists to increase their intuitions and understanding
of natural systems. We apply gradient boosting in decision trees to extract
human interpretable insights from big data sets from chemistry and physics. In
chemistry, we not only rediscover widely know rules of thumb but also find new
interesting motifs that tell us how to control solubility and energy levels of
organic molecules. At the same time, in quantum physics, we gain new
understanding on experiments for quantum entanglement. The ability to go beyond
numerics and to enter the realm of scientific insight and hypothesis generation
opens the door to use machine learning to accelerate the discovery of
conceptual understanding in some of the most challenging domains of science.
- Abstract（参考訳）: 物理科学における問題への機械学習の適用は、多くの分野における分類、回帰、最適化のタスクにうまく適用され、広く使われているツールとなった。
研究は、主に数値予測における機械学習モデルの精度の向上に焦点が当てられているが、科学的理解は、数値結果を分析して結論を導き出す人間研究者によって、ほぼ独占的に生み出されている。
本研究では,機械学習モデル自体が獲得した洞察と知識に焦点を移す。
特に、人間の科学者が自然システムの直感と理解を高めるために、どのように抽出され、どのように使用されるかを研究する。
我々は、化学や物理学からビッグデータから人間の解釈可能な洞察を抽出するために、決定木に勾配ブースティングを適用する。
化学では、親指の規則を再発見するだけでなく、有機分子の溶解度やエネルギーレベルを制御する方法を示す新しい興味深いモチーフも発見します。
同時に、量子物理学において、量子絡み合いの実験についての新しい理解を得る。
数値を超越し、科学的洞察と仮説生成の領域に入る能力は、最も困難な科学領域における概念理解の発見を加速するために機械学習を使用するドアを開く。
関連論文リスト
- LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。
本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。
法発見と分子設計における枠組みの有効性を実証するための実験を行った。
論文 参考訳（メタデータ） (2024-05-16T03:04:10Z) - Opportunities for machine learning in scientific discovery [16.526872562935463]
我々は、科学コミュニティが科学的な発見を達成するために機械学習技術をどのように活用できるかをレビューする。
課題は残るが、MLの原則的利用は基本的な科学的発見のための新たな道を開く。
論文 参考訳（メタデータ） (2024-05-07T09:58:02Z) - 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 Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳（メタデータ） (2023-12-01T05:20:57Z) - AI for Mathematics: A Cognitive Science Perspective [86.02346372284292]
数学は人間によって開発された最も強力な概念体系の1つである。
AIの急速な進歩、特に大規模言語モデル(LLM)の進歩による推進により、そのようなシステム構築に対する新たな、広範な関心が生まれている。
論文 参考訳（メタデータ） (2023-10-19T02:00:31Z) - Large Language Models for Scientific Synthesis, Inference and
Explanation [56.41963802804953]
大規模言語モデルがどのように科学的合成、推論、説明を行うことができるかを示す。
我々は,この「知識」を科学的文献から合成することで,大きな言語モデルによって強化できることを示す。
このアプローチは、大きな言語モデルが機械学習システムの予測を説明することができるというさらなる利点を持っている。
論文 参考訳（メタデータ） (2023-10-12T02:17:59Z) - The Physics of Machine Learning: An Intuitive Introduction for the
Physical Scientist [0.0]
この記事では、機械学習アルゴリズムに関する深い洞察を得たいと願う物理科学者を対象としている。
まず、エネルギーベースの2つの機械学習アルゴリズム、ホップフィールドネットワークとボルツマンマシンのレビューと、Isingモデルとの関係について述べる。
次に、フィードフォワードニューラルネットワーク、畳み込みニューラルネットワーク、オートエンコーダを含む、さらに"実践的"な機械学習アーキテクチャを掘り下げます。
論文 参考訳（メタデータ） (2021-11-27T15:12:42Z) - New Trends in Quantum Machine Learning [0.0]
我々は、機械学習が新しい量子技術とアルゴリズムの恩恵を受ける方法を探る。
データ可視化技術や機械学習から借用した他のスキームは、理論家にとって非常に有用である。
論文 参考訳（メタデータ） (2021-08-22T08:23:30Z) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳（メタデータ） (2021-05-29T21:02:44Z) - Boosting on the shoulders of giants in quantum device calibration [0.0]
従来の科学的発見を活用できる機械学習に新たなアプローチを導入する。
超伝導量子デバイス上でのハミルトニアンの全エネルギースペクトルの予測の有効性を示す。
論文 参考訳（メタデータ） (2020-05-13T07:59:57Z) - Computer-inspired Quantum Experiments [1.2891210250935146]
多くの分野において、コンピュータにインスパイアされた設計プロセスは、逆設計としても知られ、科学者の能力を高めている。
我々は、トポロジ的最適化、進化戦略、ディープラーニング、強化学習、自動推論に基づく、非常に多様な計算アプローチに遭遇する。
論文 参考訳（メタデータ） (2020-02-23T18:59:00Z)
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。