Fugu-MT 論文翻訳(概要): Why is AI hard and Physics simple?

論文の概要: Why is AI hard and Physics simple?

arxiv url: http://arxiv.org/abs/2104.00008v1
Date: Wed, 31 Mar 2021 18:00:01 GMT
ステータス: 処理完了
システム内更新日: 2021-04-02 13:57:04.933408
Title: Why is AI hard and Physics simple?
Title（参考訳）: aiはなぜ難しいのか、物理学はシンプルか?
Authors: Daniel A. Roberts
Abstract要約: AIがなぜ難しいのか、なぜ物理学が単純なのかを議論します。機械学習の根底にあるプロジェクトと物理の根底にあるプロジェクトは、スパーシティの原理によって強く結びついていることを示唆する。
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: We discuss why AI is hard and why physics is simple. We discuss how physical intuition and the approach of theoretical physics can be brought to bear on the field of artificial intelligence and specifically machine learning. We suggest that the underlying project of machine learning and the underlying project of physics are strongly coupled through the principle of sparsity, and we call upon theoretical physicists to work on AI as physicists. As a first step in that direction, we discuss an upcoming book on the principles of deep learning theory that attempts to realize this approach.
Abstract（参考訳）: AIがなぜ難しいのか、なぜ物理学がシンプルなのかについて議論する。本稿では、物理的直観と理論物理学のアプローチが、人工知能、特に機械学習の分野にどのように耐えられるかについて議論する。機械学習の基礎となるプロジェクトと物理の基礎となるプロジェクトは、スパーシティの原理によって強く結びついており、我々は理論物理学者に物理学者としてAIに取り組むよう呼びかけている。その方向への第一歩として,このアプローチを実現しようとする深層学習理論の原理に関する本について論じる。

関連論文リスト

Machine learning and information theory concepts towards an AI Mathematician [77.63761356203105]
人工知能の現在の最先端技術は、特に言語習得の点で印象的だが、数学的推論の点ではあまり重要ではない。このエッセイは、現在のディープラーニングが主にシステム1の能力で成功するという考えに基づいている。興味深い数学的ステートメントを構成するものについて質問するために、情報理論的な姿勢を取る。
論文参考訳（メタデータ） (2024-03-07T15:12:06Z)
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)
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)
Deep Learning and Computational Physics (Lecture Notes) [0.5156484100374059]
ノートは、応用数学の強い背景を持つ典型的な工学の大学院生にアクセスできるべきである。深層学習アルゴリズムの理解を深めるために、計算物理学の概念を使う。いくつかの新しいディープラーニングアルゴリズムは、計算物理学の難解な問題を解くのに使える。
論文参考訳（メタデータ） (2023-01-03T03:56:19Z)
A Survey on Machine Learning Approaches for Modelling Intuitive Physics [1.3190581566723918]
直観物理学は直観物理学として知られる認知能力です機械認知のための直感的な物理をモデル化する現代のアプローチの多くは、認知科学の文献から着想を得たものである。本稿では、直感的な物理に触発された深層学習手法における最近の進歩と技術に関する包括的調査について述べる。
論文参考訳（メタデータ） (2022-02-14T04:44:44Z)
The problem of engines in statistical physics [62.997667081978825]
エンジンは、外部の不均衡を犠牲にして、仕事を循環的に生成できるオープンシステムである。オープン量子系の理論の最近の進歩は、自律エンジンのより現実的な記述を示している。運動方程式に外部荷重力と熱雑音を組み込む方法を示す。
論文参考訳（メタデータ） (2021-08-17T03:59:09Z)
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)
Quantum Machine Learning in High Energy Physics [1.191194620421783]
本稿では,高エネルギー物理学における問題に対する量子機械学習を用いた第1世代の考え方を概説する。興味深い疑問は、量子機械学習を高エネルギー物理学に適用する方法があるかどうかである。
論文参考訳（メタデータ） (2020-05-18T10:48:39Z)
A general framework for scientifically inspired explanations in AI [76.48625630211943]
我々は、AIシステムの説明を実装可能な一般的なフレームワークの理論的基盤として、科学的説明の構造の概念をインスタンス化する。このフレームワークは、AIシステムの"メンタルモデル"を構築するためのツールを提供することを目的としている。
論文参考訳（メタデータ） (2020-03-02T10:32:21Z)
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)
Explainable Artificial Intelligence and Machine Learning: A reality rooted perspective [0.0]
説明可能なAIとは何か,という議論があります。我々は、希望的な思考ではなく、物理学以外の科学理論に関連して、現実的な基礎的特性を提示する。
論文参考訳（メタデータ） (2020-01-26T15:09:45Z)

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。