論文の概要: Integration of Data and Theory for Accelerated Derivable Symbolic Discovery

• arxiv url: http://arxiv.org/abs/2109.01634v1
• Date: Fri, 3 Sep 2021 17:19:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-06 13:59:59.364661
• Title: Integration of Data and Theory for Accelerated Derivable Symbolic Discovery
• Title（参考訳）: 加速可能なシンボル発見のためのデータ統合と理論
• Authors: Cristina Cornelio, Sanjeeb Dash, Vernon Austel, Tyler Josephson, Joao Goncalves, Kenneth Clarkson, Nimrod Megiddo, Bachir El Khadir, Lior Horesh
• Abstract要約: 我々は,自然法則の原理的導出を可能にする,記号的回帰と自動定理の証明を組み合わせた方法論を開発する。 ケプラーの第3法則、アインシュタインの相対論的時間拡張、ラングミュアの吸着理論を実証する。 論理的推論と機械学習の組み合わせは、自然現象の重要な側面に関する一般的な洞察を提供する。
• 参考スコア（独自算出の注目度）: 3.7521856498259627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientists have long aimed to discover meaningful equations which accurately describe data. Machine learning algorithms automate construction of accurate data-driven models, but ensuring that these are consistent with existing knowledge is a challenge. We developed a methodology combining automated theorem proving with symbolic regression, enabling principled derivations of laws of nature. We demonstrate this for Kepler's third law, Einstein's relativistic time dilation, and Langmuir's theory of adsorption, in each case, automatically connecting experimental data with background theory. The combination of logical reasoning with machine learning provides generalizable insights into key aspects of the natural phenomena.
• Abstract（参考訳）: 科学者は長い間、データを正確に記述する有意義な方程式の発見を目指してきた。 機械学習アルゴリズムは正確なデータ駆動モデルの構築を自動化するが、既存の知識と一貫性があることを保証することは難しい。 自然法則の原理的導出を可能にするために,自動定理証明と記号回帰を組み合わせた手法を開発した。 ケプラーの第3法則、アインシュタインの相対論的時間拡張、ラングミュアの吸着理論について、それぞれの場合において、実験データを背景理論と自動的に接続する。 論理的推論と機械学習の組み合わせは、自然現象の重要な側面に関する一般的な洞察を提供する。

関連論文リスト

• Discovering symbolic expressions with parallelized tree search [59.92040079807524]
  記号回帰は、データから簡潔で解釈可能な数学的表現を発見する能力のおかげで、科学研究において重要な役割を果たす。 既存のアルゴリズムは、複雑性の問題に対処する際の精度と効率の重要なボトルネックに直面してきた。 本稿では,限定データから汎用数学的表現を効率的に抽出する並列木探索(PTS)モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-05T10:41:15Z)
• Learning Discrete Concepts in Latent Hierarchical Models [73.01229236386148]
  自然の高次元データから学習する概念は、ヒューマンアライメントと解釈可能な機械学習モデルの構築の可能性を秘めている。 我々は概念を階層的因果モデルを通して関連付けられた離散潜在因果変数として定式化する。 我々は、理論的な主張を合成データ実験で裏付ける。
  論文  参考訳（メタデータ） (2024-06-01T18:01:03Z)
• Stochastic parameter reduced-order model based on hybrid machine learning approaches [4.378407481656902]
  本稿では,畳み込み型オートエンコーダ-貯水池コンピューティング-Normalizing Flowアルゴリズムの枠組みを構築した。 このフレームワークは潜在状態変数の進化を特徴づけるために使われる。 このようにして、複雑なシステムとその動的挙動を記述するために、データ駆動の減階モデルを構築する。
  論文  参考訳（メタデータ） (2024-03-24T06:52:37Z)
• Nature-Inspired Local Propagation [68.63385571967267]
  自然学習プロセスは、データの表現と学習が局所性を尊重するような方法で交わされるメカニズムに依存している。 ハミルトン方程式の構造を導出した「学習の法則」のアルゴリズム的解釈は、伝播の速度が無限大になるときにバックプロパゲーションに還元されることを示す。 これにより、バックプロパゲーションと提案されたローカルアルゴリズムの置き換えに基づく完全なオンライン情報に基づく機械学習への扉が開く。
  論文  参考訳（メタデータ） (2024-02-04T21:43:37Z)
• 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)
• Towards true discovery of the differential equations [57.089645396998506]
  微分方程式探索は、解釈可能なモデルを開発するために使用される機械学習サブフィールドである。 本稿では,専門家の入力を伴わない独立方程式発見のための前提条件とツールについて検討する。
  論文  参考訳（メタデータ） (2023-08-09T12:03:12Z)
• Constructing Custom Thermodynamics Using Deep Learning [10.008895786910195]
  人工知能(AI)の最もエキサイティングな応用の1つは、以前に蓄積されたデータに基づいた自動科学的発見である。 ここでは、任意の散逸系のマクロ的記述を学習するための一般化オンサーガー原理に基づくプラットフォームを開発する。 本研究では, 長期ポリマー鎖の伸張特性を理論的, 実験的に検証し, その効果を実証する。
  論文  参考訳（メタデータ） (2023-08-08T08:19:43Z)
• Learning Transport Processes with Machine Intelligence [0.0]
  本稿では,輸送プロセスの研究に対処するための機械学習に基づくアプローチを提案する。 提案モデルでは, 輸送過程の潜在表現を, 予想よりも根本真理にかなり近い位置で学習することができる。
  論文  参考訳（メタデータ） (2021-09-27T14:49:22Z)
• A Scaling Law for Synthetic-to-Real Transfer: A Measure of Pre-Training [52.93808218720784]
  合成から現実への変換学習は,実タスクのための合成画像と接地真実アノテーションを用いた事前学習を行うフレームワークである。 合成画像はデータの不足を克服するが、事前訓練されたモデルで微調整性能がどのようにスケールするかは定かではない。 我々は、合成事前学習データの様々なタスク、モデル、複雑さにおける学習曲線を一貫して記述する、単純で一般的なスケーリング法則を観察する。
  論文  参考訳（メタデータ） (2021-08-25T02:29:28Z)
• Random thoughts about Complexity, Data and Models [0.0]
  データサイエンスと機械学習は、過去10年間強く成長してきた。 我々は「データとモデル」の微妙な関係について検討する。 アルゴリズム複雑性とアルゴリズム学習の関係性を評価する上での鍵となる課題は、圧縮性、決定性、予測可能性の概念である。
  論文  参考訳（メタデータ） (2020-04-16T14:27:22Z)

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。