論文の概要: From Kepler to Newton: the Role of Explainable AI in Science Discovery
- arxiv url: http://arxiv.org/abs/2111.12210v1
- Date: Wed, 24 Nov 2021 00:45:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-25 15:02:40.568834
- Title: From Kepler to Newton: the Role of Explainable AI in Science Discovery
- Title(参考訳): keplerからnewtonへ - 科学発見における説明可能なaiの役割
- Authors: Zelong Li and Jianchao Ji and Yongfeng Zhang
- Abstract要約: 科学発見のための説明可能なAI支援パラダイムを導入する。
AIによる科学発見過程を実証するために、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。
- 参考スコア(独自算出の注目度): 16.392568986688595
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The research paradigm of the
Observation--Hypothesis--Prediction--Experimentation loop has been practiced by
researchers for years towards scientific discovery. However, with the data
explosion in both mega-scale and milli-scale scientific research, it has been
sometimes very difficult to manually analyze the data and propose new
hypothesis to drive the cycle for scientific discovery.
In this paper, we introduce an Explainable AI-assisted paradigm for science
discovery. The key is to use Explainable AI (XAI) to help derive data or model
interpretations and science discoveries. We show how computational and
data-intensive methodology -- together with experimental and theoretical
methodology -- can be seamlessly integrated for scientific research. To
demonstrate the AI-assisted science discovery process, and to pay our respect
to some of the greatest minds in human history, we show how Kepler's laws of
planetary motion and Newton's law of universal gravitation can be rediscovered
by (explainable) AI based on Tycho Brahe's astronomical observation data, whose
works were leading the scientific revolution in the 16-17th century. This work
also highlights the importance of Explainable AI (as compared to black-box AI)
in science discovery to help humans prevent or better prepare for the possible
technological singularity which may happen in the future.
- Abstract(参考訳): 観察-仮説-予測-実験ループの研究パラダイムは、長年にわたって研究者によって科学的発見に向けて実践されてきた。
しかし、大規模な科学研究とミリスケールの科学研究の両方でデータ爆発が起こると、データを手動で分析し、科学的発見のサイクルを駆動する新たな仮説を提案するのは非常に困難である。
本稿では,科学発見のための説明可能なAI支援パラダイムを提案する。
鍵となるのは、データやモデル解釈、科学発見の導出を支援するために、説明可能なAI(XAI)を使用することである。
実験と理論の方法論とともに、計算とデータ集約の方法論が科学研究にシームレスに統合できることを示す。
AIによる科学発見のプロセスを実証し、人類史上最大の精神の一部に敬意を表して、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、16世紀から17世紀の科学革命を導いたチコ・ブラーエの天文観測データに基づく(説明可能な)AIによってどのように再発見できるかを示す。
この研究は、科学発見における説明可能なAI(ブラックボックスAIと比較して)の重要性を強調し、人間が将来起こりうる技術的特異点の予防またはより良い準備を支援する。
関連論文リスト
- Drivers and Barriers of AI Adoption and Use in Scientific Research [0.0]
我々は、科学者の人的資本と、協力者や機関のネットワークで利用可能な外部リソースに焦点をあて、科学研究におけるAIの統合について研究する。
我々の結果は、AIは探索の趣味を持つドメイン科学者によって開拓され、コンピュータ科学者、経験豊富なAI科学者、そして初期のキャリア研究者のネットワークに埋め込まれていることを示唆している。
論文 参考訳(メタデータ) (2023-12-15T14:49:13Z) - 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 [245.1050780515017]
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) - The Future of Fundamental Science Led by Generative Closed-Loop
Artificial Intelligence [67.70415658080121]
機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。
AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。
ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
論文 参考訳(メタデータ) (2023-07-09T21:16:56Z) - Accelerating science with human-aware artificial intelligence [2.7786142348700658]
教師なしモデルのトレーニングにより、人間の専門知識の分布を取り入れることで、将来の発見のAI予測が劇的に向上する(最大400%)。
これらのモデルは、人間の予測とそれを作る科学者を予測することで成功します。
人間の発見を加速する、あるいはその盲点を探索するAIは、現代科学の最前線を行き来することを可能にする。
論文 参考訳(メタデータ) (2023-06-02T12:43:23Z) - Automated Scientific Discovery: From Equation Discovery to Autonomous
Discovery Systems [5.7923858184309385]
本稿では、方程式発見から記号回帰から自律的な発見システムやエージェントまで、自動的な科学的発見を調査する。
我々は、Adamシステムに関する先駆的な研究から、物質科学から天文学まで、現在の分野への取り組みまで、クローズドループ科学発見システムを紹介する。
レベル5の最大レベルは、科学的知識の創出において人間の介入を必要としないと定義されている。
論文 参考訳(メタデータ) (2023-05-03T16:35:41Z) - A Computational Inflection for Scientific Discovery [48.176406062568674]
我々は科学的な発見の軌跡において、かなりの屈折の足元に立っている。
社会が急速に成長するデジタルトランスフォーメーションを継続するにつれて、人類の集団的な科学的知識も同様である。
コンピュータ科学は科学プロセス自体に革命を起こそうとしている。
論文 参考訳(メタデータ) (2022-05-04T11:36:54Z) - 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) - Learning from learning machines: a new generation of AI technology to
meet the needs of science [59.261050918992325]
科学的な発見のためのAIの有用性を高めるための新たな機会と課題を概説する。
産業におけるAIの目標と科学におけるAIの目標の区別は、データ内のパターンを識別することと、データから世界のパターンを発見することとの間に緊張を生じさせる。
論文 参考訳(メタデータ) (2021-11-27T00:55:21Z) - Toward Building Science Discovery Machines [3.7565501074323224]
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。
論文 参考訳(メタデータ) (2021-03-24T14:04:03Z) - 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)
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。