Fugu-MT 論文翻訳(概要): Physics-Augmented Learning: A New Paradigm Beyond Physics-Informed Learning

論文の概要: Physics-Augmented Learning: A New Paradigm Beyond Physics-Informed Learning

arxiv url: http://arxiv.org/abs/2109.13901v1
Date: Tue, 28 Sep 2021 17:53:32 GMT
ステータス: 翻訳完了
システム内更新日: 2021-09-29 14:31:16.971098
Title: Physics-Augmented Learning: A New Paradigm Beyond Physics-Informed Learning
Title（参考訳）: 物理強化学習:物理情報学習以外の新しいパラダイム
Authors: Ziming Liu, Yunyue Chen, Yuanqi Du and Max Tegmark
Abstract要約: 我々は、物理情報学習(PIL)の成功パラダイムを、物理情報学習(PAL)と呼ばれるものを含むより一般的なフレームワークに一般化する。数値実験では,PILが適用不可能あるいは非効率な例ではPALが良好に動作することを示す。
参考スコア（独自算出の注目度）: 6.226609932118124
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Integrating physical inductive biases into machine learning can improve model generalizability. We generalize the successful paradigm of physics-informed learning (PIL) into a more general framework that also includes what we term physics-augmented learning (PAL). PIL and PAL complement each other by handling discriminative and generative properties, respectively. In numerical experiments, we show that PAL performs well on examples where PIL is inapplicable or inefficient.
Abstract（参考訳）: 物理的帰納バイアスを機械学習に統合することで、モデルの一般化性が向上する。我々は、物理情報学習(PIL)の成功パラダイムを、物理情報学習(PAL)と呼ばれるものを含む、より一般的なフレームワークに一般化する。 PILとPALは、それぞれ識別特性と生成特性を扱い、互いに補完する。数値実験では,PILが適用不可能あるいは非効率な例ではPALが良好に動作することを示す。

関連論文リスト

Learning Data-Efficient and Generalizable Neural Operators via Fundamental Physics Knowledge [8.269904705399474]
機械学習の最近の進歩により、ニューラルネットワークオペレータは物理的なシステムの進化をモデル化するための強力なサロゲートとして機能するようになった。本稿では,元のPDEと簡易な基本形式の両方から共同で学習する多物理学習フレームワークを提案する。我々のフレームワークはデータの効率を高め、予測誤差を減らし、アウト・オブ・ディストリビューション(OOD)の一般化を改善する。
論文参考訳（メタデータ） (2026-02-16T20:45:10Z)
Quantum LEGO Learning: A Modular Design Principle for Hybrid Artificial Intelligence [63.39968536637762]
古典的および量子的コンポーネントを再利用可能で構成可能な学習ブロックとして扱う学習フレームワークであるQuantum LEGO Learningを紹介します。このフレームワーク内では、トレーニング済みの古典的ニューラルネットワークがフリーズ機能ブロックとして機能し、VQCはトレーニング可能な適応モジュールとして機能する。我々は,学習誤差を近似と推定成分に分解するブロックワイズ一般化理論を開発した。
論文参考訳（メタデータ） (2026-01-29T14:29:21Z)
Physics-Informed Extreme Learning Machine (PIELM): Opportunities and Challenges [14.374855646232868]
物理インフォームド・エクストリーム・ラーニング・マシン(PIELM)は、他の物理インフォームド・機械学習(PIML)パラダイムと比較して計算効率と精度が向上している。通常の偏微分方程式(ODEs/PDEs)の解法は、急勾配、非線形性、高周波の挙動、厳密な制約、不確実性、多物理結合、解釈可能性に特徴付けられる。
論文参考訳（メタデータ） (2025-10-28T16:11:16Z)
LikePhys: Evaluating Intuitive Physics Understanding in Video Diffusion Models via Likelihood Preference [57.086932851733145]
ビデオ拡散モデルにおける直感的な物理を評価するトレーニング不要な方法であるLikePhysを紹介した。現在のビデオ拡散モデルにおける直観的物理理解のベンチマークを行う。経験的結果は、現在のモデルが複雑でカオス的な力学に苦しむにもかかわらず、モデルキャパシティと推論設定スケールとしての物理理解の改善傾向が明らかであることを示している。
論文参考訳（メタデータ） (2025-10-13T15:19:07Z)
Pseudo-Physics-Informed Neural Operators: Enhancing Operator Learning from Limited Data [17.835190275166408]
PPI-NO(Pseudo Physics-Informed Neural Operator)フレームワークを提案する。 PPI-NOは、基本微分作用素から導かれる偏微分方程式(PDE)を用いて、対象系に対する代理物理系を構築する。このフレームワークは,データ共有シナリオにおける標準演算子学習モデルの精度を大幅に向上させる。
論文参考訳（メタデータ） (2025-02-04T19:50:06Z)
DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。 DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
論文参考訳（メタデータ） (2024-10-08T10:48:50Z)
Exploring the Learning Capabilities of Language Models using LEVERWORLDS [23.40759867281453]
設定のモデルを学ぶには、一般的な構造ルールとインスタンスの特定の特性の両方を学ぶ必要がある。本稿では,様々な学習方法における一般学習と特定学習の相互作用について,サンプル効率に着目して検討する。
論文参考訳（メタデータ） (2024-10-01T09:02:13Z)
A Survey on Physics Informed Reinforcement Learning: Review and Open Problems [25.3906503332344]
本稿では,強化学習アプローチにおける物理情報の導入に関する文献を概説する。既存の研究を分類するためのバックボーンとして強化学習パイプラインを用いた新しい分類法を導入する。この初期段階の分野は、実世界のシナリオにおける物理的な妥当性、精度、データ効率、適用性を高めて強化学習アルゴリズムを強化する大きな可能性を秘めている。
論文参考訳（メタデータ） (2023-09-05T02:45:18Z)
Explainable Equivariant Neural Networks for Particle Physics: PELICAN [51.02649432050852]
PELICANは、新しい置換同変であり、ローレンツ不変アグリゲーターネットワークである。本稿では,タグ付け(分類)とローレンツ発泡トップクォークの再構成(回帰)の両文脈におけるPELICANアルゴリズムアーキテクチャについて述べる。 PELICANの適用範囲を、クォーク開始時とグルーオン開始時とを識別するタスクに拡張し、5種類のジェットを対象とするマルチクラス同定を行う。
論文参考訳（メタデータ） (2023-07-31T09:08:40Z)
Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
論文参考訳（メタデータ） (2022-03-11T18:27:04Z)
Dynamic Visual Reasoning by Learning Differentiable Physics Models from Video and Language [92.7638697243969]
視覚概念を協調的に学習し,映像や言語から物体の物理モデルを推定する統合フレームワークを提案する。これは視覚認識モジュール、概念学習モジュール、微分可能な物理エンジンの3つのコンポーネントをシームレスに統合することで実現される。
論文参考訳（メタデータ） (2021-10-28T17:59:13Z)
Physics-Guided Deep Learning for Dynamical Systems: A survey [5.733401663293044]
伝統的な物理学に基づくモデルは解釈可能であるが、厳密な仮定に依存している。ディープラーニングは、複雑なパターンを効率的に認識し、非線形力学をエミュレートするための新しい代替手段を提供する。物理学に基づくモデリングと最先端のDLモデルの両方を最大限に活用して、科学的な問題を解決することを目指している。
論文参考訳（メタデータ） (2021-07-02T20:59:03Z)
PID-GAN: A GAN Framework based on a Physics-informed Discriminator for Uncertainty Quantification with Physics [2.4309139330334846]
科学的応用においては、物理の知識を持つ深層学習モデルを学習して、物理的に一貫した一般化された解を生成することが重要である。本稿では,PID-GANと呼ばれる新しい物理インフォーム型GANアーキテクチャを提案する。提案するPID-GANフレームワークは,複数損失項からのジェネレータ勾配の不均衡に悩まされないことを示す。
論文参考訳（メタデータ） (2021-06-06T00:12:57Z)
Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文参考訳（メタデータ） (2021-02-25T20:28:52Z)
Learning Universal Representations from Word to Sentence [89.82415322763475]
この研究は普遍的な表現学習、すなわち一様ベクトル空間における言語単位の異なるレベルへの埋め込みを導入し、探求する。本稿では, 単語, 句, 文の観点から, 類似したデータセットを構築するためのアプローチを提案する。適切なトレーニング設定を組み込んだよく訓練されたトランスフォーマーモデルが、効果的に普遍的な表現が得られることを実証的に検証する。
論文参考訳（メタデータ） (2020-09-10T03:53:18Z)

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。