論文の概要: Similarity-Based Equational Inference in Physics
- arxiv url: http://arxiv.org/abs/2103.13496v1
- Date: Wed, 24 Mar 2021 21:36:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-26 13:41:57.568224
- Title: Similarity-Based Equational Inference in Physics
- Title（参考訳）: 物理における類似性に基づく等式推論
- Authors: Jordan Meadows, Andr\'e Freitas
- Abstract要約: 本稿では,導出エージェントを有限状態機械とするデータセット作成手法について述べる。
本手法により生成された新しいデータセットPhysAI-DS1を提案する。
PhysAI-DS1データセット上の方程式再構築タスクを解決するためのシンボリックな類似性に基づくアプローチを提案する。
- 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: Derivation in physics, in the form of derivation reconstruction of published
results, is expensive and difficult to automate, not least because the use of
mathematics by physicists is less formal than that of mathematicians. Following
demand for informal mathematical datasets, we describe a dataset creation
method where we consider a derivation agent as a finite state machine which
exists in equational states represented by strings, where transitions can occur
through a combination of string operations that mimic mathematics, and defined
computer algebra operations. We present the novel dataset PhysAI-DS1 generated
by this method, which consists of a curated derivation of a contemporary
condensed matter physics result reconstructed using a computer algebra system.
We define an equation reconstruction task based on formulating derivation
segments as basic units of non-trivial state sequences, with the goal of
reconstructing an unknown intermediate state equivalent to one-hop inference,
extensible to the multi-hop case. We present a symbolic similarity-based
heuristic approach to solve an equation reconstruction task on the PhysAI-DS1
dataset, which employs a set of actions, a knowledge base of symbols and
equations, and a computer algebra system, to reconstruct an unknown
intermediate state within a sequence of three equational states, grouped
together as a derivation unit. Informal derivation comprehension of
contemporary results is an important step towards the comprehension and
automation of modern physics reasoners.
- Abstract（参考訳）: 物理学における導出は、公表された結果の導出再構成の形で、物理学者による数学の使用が数学者のそれよりも形式的でないため、高価で自動化が難しい。
非公式な数学的データセットの需要に従えば、導出エージェントを文字列で表される方程式状態に存在する有限状態機械とみなし、数学を模倣した文字列操作とコンピュータ代数演算の組み合わせによって遷移を生じ得るようなデータセット作成法を述べる。
本稿では,コンピュータ代数システムを用いて再構成された現代凝縮物質物理学結果のキュレーション導出からなる,この手法によって生成された新しいデータセットphysai-ds1を提案する。
導出セグメントを非自明な状態列の基本単位として定式化した方程式再構成タスクを定義し,マルチホップの場合に拡張可能な1ホップ推論に相当する未知の中間状態の再構成を目標とした。
本稿では,PhysAI-DS1データセット上で,一連の動作,シンボルと方程式の知識ベース,および計算機代数システムを用いて,3つの方程式状態の列の中で未知の中間状態を再構築し,導出単位としてグループ化する,記号類似性に基づくヒューリスティック手法を提案する。
現代の結果のインフォーマルな導出理解は、現代の物理学的推論者の理解と自動化に向けた重要なステップである。
関連論文リスト
- Neural Differential Algebraic Equations [6.100037457394823]
微分代数方程式(DAE)のデータ駆動モデリングに適したニューラル微分代数方程式(NDAE)を提案する。
提案したNDAEs抽象化は、関連するシステム理論データ駆動モデリングタスクに適していることを示す。
論文 参考訳（メタデータ） (2024-03-19T17:43:57Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Discrete, compositional, and symbolic representations through attractor dynamics [51.20712945239422]
我々は,思考の確率的言語(PLoT)に似た認知過程をモデル化するために,アトラクタダイナミクスを記号表現と統合した新しいニューラルシステムモデルを導入する。
我々のモデルは、連続表現空間を、事前定義されたプリミティブに頼るのではなく、教師なし学習を通じて、記号系の意味性と構成性の特徴を反映する、記号列に対応する引き付け状態を持つ離散盆地に分割する。
このアプローチは、認知操作の複雑な双対性を反映したより包括的なモデルを提供する、AIにおける表現力の証明された神経弁別可能な基質であるニューラルダイナミクスを通じて、シンボル処理とサブシンボル処理の両方を統合する統一的なフレームワークを確立する。
論文 参考訳（メタデータ） (2023-10-03T05:40:56Z) - A Recursive Bateson-Inspired Model for the Generation of Semantic Formal
Concepts from Spatial Sensory Data [77.34726150561087]
本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。
このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。
このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
論文 参考訳（メタデータ） (2023-07-16T15:59:13Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Symbolic Recovery of Differential Equations: The Identifiability Problem [52.158782751264205]
微分方程式の記号的回復は、支配方程式の導出を自動化する野心的な試みである。
関数が対応する微分方程式を一意に決定するために必要な条件と十分な条件の両方を提供する。
この結果を用いて、関数が微分方程式を一意に解くかどうかを判定する数値アルゴリズムを考案する。
論文 参考訳（メタデータ） (2022-10-15T17:32:49Z) - Bayesian Learning to Discover Mathematical Operations in Governing
Equations of Dynamic Systems [3.1544304017740634]
本研究は,ニューラルネットワークのような階層構造を持つ数理演算ネットワーク(MathONet)を設計することにより,方程式を制御するための新しい表現を提案する。
MathONetは通常、冗長な構造を持つ超グラフと見なされる。
論文 参考訳（メタデータ） (2022-06-01T10:31:14Z) - Physics Informed RNN-DCT Networks for Time-Dependent Partial
Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。
我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。
ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文 参考訳（メタデータ） (2022-02-24T20:46:52Z) - Recurrent Localization Networks applied to the Lippmann-Schwinger
Equation [0.0]
一般化Lippmann-Schwinger (L-S) 型の方程式を解くための新しい機械学習手法を提案する。
学習に基づくループアンロールの一部として、リカレント畳み込みニューラルネットワークを用いて、関心のある分野の制御方程式を反復的に解く。
本研究では, 局所的(ボクセルレベル)弾性ひずみの予測において, 優れた精度が得られる2相弾性局在問題に対する学習手法を示す。
論文 参考訳（メタデータ） (2021-01-29T20:54:17Z) - Physics-informed learning of governing equations from scarce data [14.95055620484844]
本研究は, 偏微分方程式(PDE)を, 希少かつノイズの多い表現データから検出する物理インフォームド・ディープラーニング・フレームワークを提案する。
本手法の有効性とロバスト性は, 数値的にも実験的にも, 種々のPDEシステムの発見において実証される。
結果として得られる計算フレームワークは、実用的な応用における閉形式モデル発見の可能性を示している。
論文 参考訳（メタデータ） (2020-05-05T22:13:22Z)
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。