論文の概要: Using Machine Learning to Find New Density Functionals

• arxiv url: http://arxiv.org/abs/2112.05554v1
• Date: Sat, 4 Dec 2021 00:49:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-19 15:18:57.349991
• Title: Using Machine Learning to Find New Density Functionals
• Title（参考訳）: 機械学習による新しい密度関数の探索
• Authors: Bhupalee Kalita and Kieron Burke
• Abstract要約: このドラフトは、Electronic Structure(EST)に掲載された"Roadmap on Machine Learning in Electronic Structure"の一部である。 この分野の現状を簡潔に議論し、現在および今後の課題を指摘している。 私たちはまた、最先端の科学技術ツールがこれらの課題を克服するのにどう役立つかについても語っています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning has now become an integral part of research and innovation. The field of machine learning density functional theory has continuously expanded over the years while making several noticeable advances. We briefly discuss the status of this field and point out some current and future challenges. We also talk about how state-of-the-art science and technology tools can help overcome these challenges. This draft is a part of the "Roadmap on Machine Learning in Electronic Structure" to be published in Electronic Structure (EST).
• Abstract（参考訳）: 機械学習は今や、研究とイノベーションの不可欠な部分になっている。 機械学習密度汎関数論の分野は、何年にもわたって、目立った進歩を遂げてきた。 この分野の現状を簡潔に議論し、現在および今後の課題を指摘している。 私たちはまた、最先端の科学技術ツールがこれらの課題を克服するのにどう役立つかについても語っています。 このドラフトは、Electronic Structure (EST)に掲載される"Roadmap on Machine Learning in Electronic Structure"の一部である。

関連論文リスト

• Open-world Machine Learning: A Review and New Outlooks [83.6401132743407]
  本稿では,新たなオープンワールド機械学習パラダイムを包括的に紹介することを目的としている。 研究者がそれぞれの分野でより強力なAIシステムを構築するのを支援し、人工知能の開発を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-03-04T06:25:26Z)
• The Landscape of Modern Machine Learning: A Review of Machine, Distributed and Federated Learning [0.0]
  最新の高度な機械学習アルゴリズム、アプリケーション、フレームワークについて、ハイレベルな概要を提供する。 私たちの仕事は、現代の機械学習の広大な分野への入門テキストとして役立ちます。
  論文  参考訳（メタデータ） (2023-12-05T20:40:05Z)
• Physics-Informed Machine Learning: A Survey on Problems, Methods and Applications [31.157298426186653]
  最近の研究は、物理的な事前および収集されたデータを組み込むことによって、機械学習モデルに潜在的な利点を提供することを示している。 本稿では、経験的データと利用可能な物理的事前知識を活用するモデルを構築することを目的とした、Physical-Informed Machine Learning(PIML)という学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:34:30Z)
• Open Environment Machine Learning [84.90891046882213]
  従来の機械学習研究は、学習プロセスの重要な要素が不変であるような近世界のシナリオを想定している。 本稿では,新しいクラスを創出する技術,デクリメンタル/インクリメンタルな特徴,データ分散の変化,学習目標の変化,理論的諸問題について概説する。
  論文  参考訳（メタデータ） (2022-06-01T11:57:56Z)
• Machine Learning and Cosmology [47.49675865724787]
  宇宙論における機械学習の適用に関する現在および現在進行中の展開を要約する。 今後10年にわたって、これらの急成長するツールの科学的影響を最大化するためのレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2022-03-15T16:50:46Z)
• Towards Machine Learning for Placement and Routing in Chip Design: a Methodological Overview [72.79089075263985]
  配置とルーティングは、現代のチップ設計フローにおいて必須かつ困難な2つのタスクである。 機械学習は、そのデータ駆動性によって有望な見通しを示しており、知識や事前への依存度は低い。
  論文  参考訳（メタデータ） (2022-02-28T06:28:44Z)
• Machine Learning in the Search for New Fundamental Physics [0.32622301272834514]
  機械学習は、新しい基礎物理学の探索を強化し、加速する上で重要な役割を担っている。 地上高エネルギー物理実験における機械学習の現状と新しい物理探索への応用について概説する。
  論文  参考訳（メタデータ） (2021-12-07T15:26:42Z)
• Measuring and modeling the motor system with machine learning [117.44028458220427]
  モーターシステムの理解における機械学習の有用性は、データの収集、測定、分析の方法に革命をもたらすことを約束している。 本稿では, ポーズ推定, 運動解析, 次元減少, 閉ループフィードバックから, ニューラル相関の理解, 機能停止まで, 機械学習の利用の増大について論じる。
  論文  参考訳（メタデータ） (2021-03-22T12:42:16Z)
• Knowledge as Invariance -- History and Perspectives of Knowledge-augmented Machine Learning [69.99522650448213]
  機械学習の研究は転換点にある。 研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。 このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
  論文  参考訳（メタデータ） (2020-12-21T15:07:19Z)
• Machine learning and excited-state molecular dynamics [0.0]
  機械学習に基づく励起状態ダイナミクスの進歩を調査した。 光誘起分子プロセスのための機械学習アプローチの成功、落とし穴、課題、そして今後の道のりを強調します。
  論文  参考訳（メタデータ） (2020-05-28T16:43:18Z)

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。