論文の概要: The Rise of AI-Driven Simulators: Building a New Crystal Ball
- arxiv url: http://arxiv.org/abs/2012.06049v1
- Date: Fri, 11 Dec 2020 00:13:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-14 13:08:11.068610
- Title: The Rise of AI-Driven Simulators: Building a New Crystal Ball
- Title（参考訳）: ai駆動シミュレータの台頭: 新しいクリスタルボールの構築
- Authors: Ian Foster, David Parkes, and Stephan Zheng
- Abstract要約: 米国と国際的な繁栄、安全保障、健康は、シミュレーション能力の継続的な改善に大きく依存している。
過去10年は相補的な分野に著しい進歩をもたらした。
本稿では,結束的,多学際的,応用に触発された研究課題の一部として,我々が構想するテーマについて述べる。
- 参考スコア（独自算出の注目度）: 6.289422225292999
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The use of computational simulation is by now so pervasive in society that it
is no exaggeration to say that continued U.S. and international prosperity,
security, and health depend in part on continued improvements in simulation
capabilities. What if we could predict weather two weeks out, guide the design
of new drugs for new viral diseases, or manage new manufacturing processes that
cut production costs and times by an order of magnitude? What if we could
predict collective human behavior, for example, response to an evacuation
request during a natural disaster, or labor response to fiscal stimulus? (See
also the companion CCC Quad Paper on Pandemic Informatics, which discusses
features that would be essential to solving large-scale problems like
preparation for, and response to, the inevitable next pandemic.)
The past decade has brought remarkable advances in complementary areas: in
sensors, which can now capture enormous amounts of data about the world, and in
AI methods capable of learning to extract predictive patterns from those data.
These advances may lead to a new era in computational simulation, in which
sensors of many kinds are used to produce vast quantities of data, AI methods
identify patterns in those data, and new AI-driven simulators combine
machine-learned and mathematical rules to make accurate and actionable
predictions. At the same time, there are new challenges -- computers in some
important regards are no longer getting faster, and in some areas we are
reaching the limits of mathematical understanding, or at least of our ability
to translate mathematical understanding into efficient simulation. In this
paper, we lay out some themes that we envision forming part of a cohesive,
multi-disciplinary, and application-inspired research agenda on AI-driven
simulators.
- Abstract（参考訳）: 計算シミュレーションの使用は今や社会に広く浸透しているので、米国と国際的な繁栄、安全保障、健康がシミュレーション能力の継続的な改善に依存していると言うのは誇張ではない。
2週間後に天気を予報したり、新型ウイルス病の新しい薬の設計を指導したり、製造コストと時間を桁違いに削減する新しい製造プロセスを管理することができるとしたらどうだろう?
例えば、自然災害時の避難要請への対応や、財政刺激による労働対応など、集団的人間の行動を予測することは可能か。
(パンデミック情報学に関するコンパニオンcccccクアッドペーパーも参照のこと)
この10年で、世界の膨大なデータを収集できるセンサーや、それらのデータから予測パターンを学習するAI手法など、補完的な分野で顕著な進歩を遂げた。
これらの進歩は、多くの種類のセンサーが大量のデータを生成するのに使われ、AIメソッドはそれらのデータ内のパターンを識別し、新しいAI駆動シミュレータは、機械学習と数学的ルールを組み合わせて正確で行動可能な予測を行う。
また、数学的な理解の限界に到達したり、少なくとも数学的な理解を効率的なシミュレーションに翻訳する能力に到達しているところもあります。
本稿では,AI駆動シミュレータにおける凝集性,多分野,アプリケーションに触発された研究課題の一部を構成することを想定するテーマについて述べる。
関連論文リスト
- AI for Extreme Event Modeling and Understanding: Methodologies and Challenges [7.636789744934743]
この論文は、AIが極端な出来事(洪水、干ばつ、山火事、熱波など)を分析するためにどのように使われているのかをレビューする。
限られたデータに対処し、情報をリアルタイムで統合し、モデルをデプロイし、それらを理解できるようにするというハードルについて論じる。
私たちは、実践的、理解可能、信頼に値するAIソリューションを作成するために、さまざまな分野にわたるコラボレーションの必要性を強調します。
論文 参考訳（メタデータ） (2024-06-28T17:45:25Z) - Unmasking Biases and Navigating Pitfalls in the Ophthalmic Artificial
Intelligence Lifecycle: A Review [3.1929071422400446]
この記事では、AIライフサイクルを7つのステップに分割する。
データ収集; モデルタスクの定義; データ前処理とラベル付け; モデル開発; モデル評価と検証; デプロイメント。
最後に、デプロイ後の評価、監視、システムリカレーションを行い、各ステップにおける害のリスクと、それらを緩和するための戦略を掘り下げます。
論文 参考訳（メタデータ） (2023-10-08T03:49:42Z) - 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) - Addressing computational challenges in physical system simulations with
machine learning [0.0]
シミュレーションを利用して様々な物理システムやプロセスを調べる研究者を支援する機械学習ベースのデータジェネレータフレームワークを提案する。
まず、シミュレーション結果を予測するために、限られたシミュレートされたデータセットを使用して教師付き予測モデルをトレーニングする。
その後、強化学習エージェントを訓練し、教師付きモデルを利用して正確なシミュレーションライクなデータを生成する。
論文 参考訳（メタデータ） (2023-05-16T17:31:50Z) - Hindsight States: Blending Sim and Real Task Elements for Efficient
Reinforcement Learning [61.3506230781327]
ロボット工学では、第一原理から導かれた力学モデルに基づくシミュレーションに基づいて、トレーニングデータを生成する方法がある。
ここでは、力学の複雑さの不均衡を利用して、より標本効率のよい学習を行う。
提案手法をいくつかの課題に対して検証し,既存の近視アルゴリズムと組み合わせた場合の学習改善を実証する。
論文 参考訳（メタデータ） (2023-03-03T21:55:04Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Physical Computing for Materials Acceleration Platforms [81.09376948478891]
我々は、MAPs研究プログラムの一環として、新しい素材の探索を加速する同じシミュレーションとAIツールが、根本的に新しいコンピュータ媒体の設計を可能にすると論じている。
シミュレーションに基づくMAPプログラムの概要を述べる。
我々は、材料研究者と計算機科学者の革新的なコラボレーションの新たな時代を導入することを期待している。
論文 参考訳（メタデータ） (2022-08-17T23:03:54Z) - 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) - Robot Learning from Randomized Simulations: A Review [59.992761565399185]
ディープラーニングがロボティクス研究のパラダイムシフトを引き起こし、大量のデータを必要とする方法が好まれている。
最先端のアプローチは、データ生成が高速かつ安価であるシミュレーションで学ぶ。
本稿では,ランダム化シミュレーションから学習する手法である「領域ランダム化」に焦点をあてる。
論文 参考訳（メタデータ） (2021-11-01T13:55:41Z) - Computation harvesting in road traffic dynamics [0.0]
本稿では,人間の脳などの自然計算システムに追従する計算モデルを提案する。
特に,リッチセンサから収集したIoTデータを用いた「計算収穫」の概念に基づく手法を提案する。
そこで本研究では,実際の道路交通を用いたデータ計算による予測タスクを行い,収穫の可能性を示す。
論文 参考訳（メタデータ） (2020-11-21T08:22:19Z)
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。