論文の概要: Toward Building Science Discovery Machines

• arxiv url: http://arxiv.org/abs/2103.15551v1
• Date: Wed, 24 Mar 2021 14:04:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 01:08:52.161328
• Title: Toward Building Science Discovery Machines
• Title（参考訳）: 科学発見マシンの構築に向けて
• Authors: Abdullah Khalili and Abdelhamid Bouchachia
• Abstract要約: 我々は、高いレベルの推論と顕著な問題解決能力を必要とする科学的発見プロセスに焦点を当てる。 物理学、数学、生物学など、様々な分野におけるこれらの原則の使用例を示す。 私たちは、科学発見マシンを構築し、科学発見プロセスをスピードアップするために、理論と計算のフレームワークを構築するべきだと主張する。
• 参考スコア（独自算出の注目度）: 3.7565501074323224
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The dream of building machines that can do science has inspired scientists for decades. Remarkable advances have been made recently; however, we are still far from achieving this goal. In this paper, we focus on the scientific discovery process where a high level of reasoning and remarkable problem-solving ability are required. We review different machine learning techniques used in scientific discovery with their limitations. We survey and discuss the main principles driving the scientific discovery process. These principles are used in different fields and by different scientists to solve problems and discover new knowledge. We provide many examples of the use of these principles in different fields such as physics, mathematics, and biology. We also review AI systems that attempt to implement some of these principles. We argue that in order to build science discovery machines and speed up the scientific discovery process, we should build theoretical and computational frameworks that encapsulate these principles. Building machines that fully incorporate these principles in an automated way might open the doors for many advancements.
• Abstract（参考訳）: 科学ができる機械を作るという夢は、何十年も科学者に影響を与えてきた。 注目すべき進歩が最近行われたが、まだこの目標を達成するには程遠い。 本稿では,高レベルの推論と顕著な問題解決能力を必要とする科学的発見プロセスに焦点を当てる。 我々は、科学的発見で使用される様々な機械学習技術とその限界についてレビューする。 我々は、科学的発見過程を導く主要な原則を調査し、議論する。 これらの原理は異なる分野や異なる科学者によって問題解決や新しい知識の発見に使われている。 これらの原理を物理学、数学、生物学など様々な分野に応用する例を数多く紹介する。 また、これらの原則の実装を試みるAIシステムについてもレビューしています。 我々は、科学発見機械を構築し、科学発見プロセスを高速化するために、これらの原理をカプセル化する理論的および計算的枠組みを構築するべきであると論じている。 これらの原則を完全に自動で組み込むマシンは、多くの進歩のために扉を開くかもしれない。

関連論文リスト

• 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)
• 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)
• DeepSpeed4Science Initiative: Enabling Large-Scale Scientific Discovery through Sophisticated AI System Technologies [116.09762105379241]
  DeepSpeed4Scienceは、AIシステム技術革新を通じてユニークな機能を構築することを目指している。 我々は、構造生物学研究における2つの重要なシステム課題に対処するために、DeepSpeed4Scienceで行った初期の進歩を紹介した。
  論文  参考訳（メタデータ） (2023-10-06T22:05:15Z)
• Artificial Intelligence for Science in Quantum, Atomistic, and Continuum Systems [268.585904751315]
  科学のためのAI(AI4Science)として知られる新しい研究領域 領域は、物理世界(波動関数と電子密度)、原子(分子、タンパク質、物質、相互作用)、マクロ(流体、気候、地下)まで理解することを目的としている。 主要な課題は、物理第一原理、特に対称性を深層学習法によって自然システムで捉える方法である。
  論文  参考訳（メタデータ） (2023-07-17T12:14:14Z)
• Photonic Neural Networks: A Compact Review [0.0]
  本研究は,2015年から2022年までの30項目のうち18項目を主記事として選定した。 ニューラルネットワークに重要かつ有効なパラメータを導入しようと試みる。 この方法では、この記事ではいくつかの部分で多くの数学的ツールを使用します。
  論文  参考訳（メタデータ） (2023-02-16T16:10:02Z)
• On scientific understanding with artificial intelligence [2.2911874889696775]
  我々は科学的理解を理解するために科学哲学からのアドバイスを求める。 そして、コンピューターの助けを借りて、どのようにして新しい概念的理解を得たかについて、科学者から数十の逸話を集めました。 各次元について、ステータスクォーを超えて進むための新しい道について説明する。
  論文  参考訳（メタデータ） (2022-04-04T13:45:13Z)
• From Kepler to Newton: Explainable AI-based Paradigm for Science Discovery [16.392568986688595]
  我々は、科学発見のための説明可能なAIベースのパラダイムを導入する。 AIに基づく科学発見プロセスを示すために、ケプラーの惑星運動法則とニュートンの普遍重力法則が(説明可能な)AIによってどのように再発見されるかを示す。
  論文  参考訳（メタデータ） (2021-11-24T00:45:27Z)
• Standard Model Physics and the Digital Quantum Revolution: Thoughts about the Interface [68.8204255655161]
  量子システムの分離・制御・絡み合いの進歩は、かつての量子力学の興味深い特徴を、破壊的な科学的・技術的進歩のための乗り物へと変えつつある。 本稿では,3つの領域科学理論家の視点から,絡み合い,複雑性,量子シミュレーションのインターフェースについて考察する。
  論文  参考訳（メタデータ） (2021-07-10T06:12:06Z)
• Inductive Biases for Deep Learning of Higher-Level Cognition [108.89281493851358]
  興味深い仮説は、人間と動物の知性はいくつかの原則によって説明できるということである。 この研究は、主に高いレベルとシーケンシャルな意識的処理に関心のある人を中心に、より大きなリストを考察する。 これらの特定の原則を明確にする目的は、人間の能力から恩恵を受けるAIシステムを構築するのに役立つ可能性があることである。
  論文  参考訳（メタデータ） (2020-11-30T18:29:25Z)
• Scientific intuition inspired by machine learning generated hypotheses [2.294014185517203]
  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。
  論文  参考訳（メタデータ） (2020-10-27T12:12:12Z)
• 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。