論文の概要: Machine Learning for Computational Science and Engineering -- a brief
introduction and some critical questions
- arxiv url: http://arxiv.org/abs/2112.12054v1
- Date: Wed, 22 Dec 2021 17:25:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-23 16:36:55.314459
- Title: Machine Learning for Computational Science and Engineering -- a brief
introduction and some critical questions
- Title(参考訳): 計算科学と工学のための機械学習 - 簡単な紹介と批判的疑問
- Authors: Chennakesava Kadapa
- Abstract要約: 機械学習と/または計算科学と工学の分野の新しい分野について、一般の聴衆や研究者のために書かれた汎用的な記事である。
基本的な方程式やコードも提供されており、読者が基本を理解するのに役立つ。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial Intelligence (AI) is now entering every sub-field of science,
technology, engineering, arts, and management. Thanks to the hype and
availability of research funds, it is being adapted in many fields without much
thought. Computational Science and Engineering (CS&E) is one such sub-field. By
highlighting some critical questions around the issues and challenges in
adapting Machine Learning (ML) for CS&E, most of which are often overlooked in
journal papers, this contribution hopes to offer some insights into the
adaptation of ML for applications in CS\&E and related fields. This is a
general-purpose article written for a general audience and researchers new to
the fields of ML and/or CS\&E. This work focuses only on the forward problems
in computational science and engineering. Some basic equations and MATLAB code
are also provided to help the reader understand the basics.
- Abstract(参考訳): 人工知能(AI)は現在、科学、技術、工学、芸術、管理のあらゆるサブ分野に参入している。
研究資金の誇大宣伝と可用性のおかげで、多くの分野であまり考えずに採用されている。
CS&E(Computational Science and Engineering)は、計算工学の分野の一つ。
機械学習(ml)をcs&eに適用する際の課題と課題に関するいくつかの重要な疑問を強調することで、この貢献は、cs\&eおよび関連分野のアプリケーションにmlを適用することに関する洞察を提供したいと考えている。
この記事は、MLおよび/またはCS\&Eの分野に新しい一般読者と研究者向けに書かれた汎用的な記事である。
本研究は計算科学と工学における前方問題にのみ焦点をあてる。
基本的な方程式やmatlabのコードは、読者が基本を理解するのに役立つ。
関連論文リスト
- MachineLearnAthon: An Action-Oriented Machine Learning Didactic Concept [34.6229719907685]
本稿では、異なる分野の学生に包括的にデザインされた革新的教科概念であるMachineLearnAthonフォーマットを紹介する。
この概念の核心はMLの課題であり、現実の問題を解決するために産業用データセットを利用している。
これらはMLパイプライン全体をカバーするもので、データ準備からデプロイメント、評価に至るまで、データのリテラシーと実践的なスキルを促進する。
論文 参考訳(メタデータ) (2024-01-29T16:50:32Z) - A Survey on Quantum Machine Learning: Current Trends, Challenges,
Opportunities, and the Road Ahead [6.14975265413396]
量子コンピューティング(QC)は、古典的な計算に比べて複雑な問題を解く効率を改善すると主張している。
QCは機械学習(ML)アプリケーションに適用され、量子機械学習(QML)システムを形成する。
我々は、異なるQMLアルゴリズムとそのドメイン適用性、量子データセット、ハードウェア技術、ソフトウェアツール、シミュレータ、アプリケーションについて議論する。
論文 参考訳(メタデータ) (2023-10-16T11:52:54Z) - Trustworthy Machine Learning [57.08542102068706]
信頼に値する機械学習(TML)に関する教科書は、TMLの4つの重要なトピックの理論的および技術的な背景をカバーしている。
本稿では、上記の分野に関する重要な古典的・現代的な研究論文について論じ、その基礎となる直観を解明し、接続する。
論文 参考訳(メタデータ) (2023-10-12T11:04:17Z) - Utilizing Online and Open-Source Machine Learning Toolkits to Leverage
the Future of Sustainable Engineering [8.641860292533023]
Edge Impulseは、TinyMLに対応したオープンソースのArduino教育ツールキットを設計した。
本稿では,MLツールキットを教室で活用するために工学教育者が行った様々な応用とアプローチについて論じる。
論文 参考訳(メタデータ) (2023-04-21T17:50:21Z) - Selected Trends in Artificial Intelligence for Space Applications [69.3474006357492]
この章は、差別化可能なインテリジェンスとオンボード機械学習に焦点を当てている。
欧州宇宙機関(ESA)Advanced Concepts Team(ACT)から選ばれたいくつかのプロジェクトについて論じる。
論文 参考訳(メタデータ) (2022-12-10T07:49:50Z) - Physical Computing for Materials Acceleration Platforms [81.09376948478891]
我々は、MAPs研究プログラムの一環として、新しい素材の探索を加速する同じシミュレーションとAIツールが、根本的に新しいコンピュータ媒体の設計を可能にすると論じている。
シミュレーションに基づくMAPプログラムの概要を述べる。
我々は、材料研究者と計算機科学者の革新的なコラボレーションの新たな時代を導入することを期待している。
論文 参考訳(メタデータ) (2022-08-17T23:03:54Z) - Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。
特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
論文 参考訳(メタデータ) (2022-03-06T10:12:56Z) - Quantum Computing: Fundamentals, Trends and Perspectives for Chemical
and Biochemical Engineers [0.0]
本論文の主目的は、量子計算に精通していないかもしれない化学・生化学の研究者と技術者について概説することである。
QCは、アルゴリズムのスピードアップを活用するために、さまざまな業界領域で大規模な採用の初期段階にある。
コンピュータ科学、数学、化学・生化学工学、金融産業など様々な分野に適用できる。
論文 参考訳(メタデータ) (2022-01-08T12:49:57Z) - Deep Learning Interviews: Hundreds of fully solved job interview
questions from a wide range of key topics in AI [2.0305676256390934]
Deep Learning Interviewsは、インタビューをリハーサルしたり、特定のトピックをテストしたり、この分野の概要を十分に整理した形で提供するように設計されている。
本書の内容は、DLの面接や大学院レベルの試験に関連する多くのトピックの大規模な目録である。
すべての計算機科学者の訓練はMLの基本定理を含む必要があると広く受け入れられている。
論文 参考訳(メタデータ) (2021-12-30T13:28:27Z) - Simulating Quantum Materials with Digital Quantum Computers [55.41644538483948]
デジタル量子コンピュータ(DQC)は、古典的コンピュータでは引き起こせない量子シミュレーションを効率的に行うことができる。
このレビューの目的は、物理量子優位性を達成するために行われた進歩の要約を提供することである。
論文 参考訳(メタデータ) (2021-01-21T20:10:38Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳(メタデータ) (2020-08-05T15:45:54Z)
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。