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: 処理完了
- 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
- 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) - Interpreting and generalizing deep learning in physics-based problems
with functional linear models [1.5763154617625352]
解釈可能性は非常に重要であり、物理システムのモデリングにしばしば望まれる。
固体力学,流体力学,輸送の試験例を報告する。
本研究は,科学的機械学習における解釈可能性の重要性を裏付けるものである。
論文 参考訳(メタデータ) (2023-07-10T14:01:29Z) - 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) - Pre-Trained Language Models for Interactive Decision-Making [72.77825666035203]
目的と観測を埋め込みのシーケンスとして表現する模倣学習の枠組みを述べる。
このフレームワークは様々な環境にまたがって効果的な一般化を可能にすることを実証する。
新たなゴールや新しいシーンを含むテストタスクでは、言語モデルによる初期化ポリシーはタスク完了率を43.6%改善する。
論文 参考訳(メタデータ) (2022-02-03T18:55:52Z) - 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。
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。