論文の概要: AI Research Associate for Early-Stage Scientific Discovery

• arxiv url: http://arxiv.org/abs/2202.03199v1
• Date: Wed, 2 Feb 2022 17:05:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-13 23:05:52.013330
• Title: AI Research Associate for Early-Stage Scientific Discovery
• Title（参考訳）: 早期科学発見のためのAI研究アソシエイト
• Authors: Morad Behandish, John Maxwell III, Johan de Kleer
• Abstract要約: 人工知能(AI)は科学活動に何十年も使われ続けている。 我々は、最小バイアスの物理に基づくモデリングに基づく、初期段階の科学的発見のためのAI研究アソシエイトを提案する。
• 参考スコア（独自算出の注目度）: 1.6861004263551447
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence (AI) has been increasingly applied in scientific activities for decades; however, it is still far from an insightful and trustworthy collaborator in the scientific process. Most existing AI methods are either too simplistic to be useful in real problems faced by scientists or too domain-specialized (even dogmatized), stifling transformative discoveries or paradigm shifts. We present an AI research associate for early-stage scientific discovery based on (a) a novel minimally-biased ontology for physics-based modeling that is context-aware, interpretable, and generalizable across classical and relativistic physics; (b) automatic search for viable and parsimonious hypotheses, represented at a high-level (via domain-agnostic constructs) with built-in invariants, e.g., postulated forms of conservation principles implied by a presupposed spacetime topology; and (c) automatic compilation of the enumerated hypotheses to domain-specific, interpretable, and trainable/testable tensor-based computation graphs to learn phenomenological relations, e.g., constitutive or material laws, from sparse (and possibly noisy) data sets.
• Abstract（参考訳）: 人工知能(ai)は何十年にもわたって科学活動に応用されてきたが、科学プロセスにおける洞察力と信頼に値する協力者とは程遠い。 既存のAIメソッドの多くは、科学者が直面している実際の問題に役立てるには単純すぎるか、ドメイン特化されすぎている(犬化されてさえ)か、変革的な発見やパラダイムシフトを鎮めるかのどちらかです。 早期科学的発見のためのAI研究アソシエイトについて紹介する。 (a)古典的及び相対論的物理学にまたがる文脈認識、解釈可能、及び一般化可能な、物理ベースのモデリングのための最小バイアスのオントロジー b) 既往の時空トポロジで示される保存原則の仮定形式等を組み込んだ高レベル(ドメインに依存しない構成)で表される実用的かつ同義的な仮説の自動探索 c) 領域固有の、解釈可能な、および訓練可能な、テスト可能なテンソルベースの計算グラフに列挙された仮説を自動コンパイルし、スパースデータセットから構成法や物質法則などの現象学的関係を学習する。

関連論文リスト

• SciAgents: Automating scientific discovery through multi-agent intelligent graph reasoning [0.0]
  人工知能の鍵となる課題は、科学的理解を自律的に進めるシステムを作ることである。 3つのコア概念を活用するアプローチであるSciAgentsを提案する。 この枠組みは研究仮説を自律的に生成し、基礎となるメカニズム、設計原則、予期せぬ材料特性を解明する。 我々のケーススタディでは、生成AI、オントロジ表現、マルチエージェントモデリングを組み合わせて、生物学的システムに似た知能の群を活用できるスケーラブルな能力を実証している。
  論文  参考訳（メタデータ） (2024-09-09T12:25:10Z)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• Large Language Models for Scientific Synthesis, Inference and Explanation [56.41963802804953]
  大規模言語モデルがどのように科学的合成、推論、説明を行うことができるかを示す。 我々は,この「知識」を科学的文献から合成することで,大きな言語モデルによって強化できることを示す。 このアプローチは、大きな言語モデルが機械学習システムの予測を説明することができるというさらなる利点を持っている。
  論文  参考訳（メタデータ） (2023-10-12T02:17:59Z)
• Neural Operators for Accelerating Scientific Simulations and Design [85.89660065887956]
  Neural Operatorsとして知られるAIフレームワークは、継続的ドメインで定義された関数間のマッピングを学習するための原則的なフレームワークを提供する。 ニューラルオペレータは、計算流体力学、天気予報、物質モデリングなど、多くのアプリケーションで既存のシミュレータを拡張または置き換えることができる。
  論文  参考訳（メタデータ） (2023-09-27T00:12:07Z)
• Inferring physical laws by artificial intelligence based causal models [3.333770856102642]
  本稿では,相関関係を認識し,カジュアルな関係をもたらす物理原理の因果学習モデルを提案する。 本手法は,データ間の関係を把握できるだけでなく,変数間の因果関係を正しく把握できることを示す。
  論文  参考訳（メタデータ） (2023-09-08T01:50:32Z)
• Large Language Models for Automated Open-domain Scientific Hypotheses Discovery [50.40483334131271]
  本研究は,社会科学の学術的仮説発見のための最初のデータセットを提案する。 従来のデータセットとは異なり、新しいデータセットには、(1)オープンドメインデータ(RAW Webコーパス)を観察として使用すること、(2)人間性にさらに新しい仮説を提案することが必要である。 パフォーマンス向上のための3つのフィードバック機構を含む,タスクのためのマルチモジュールフレームワークが開発されている。
  論文  参考訳（メタデータ） (2023-09-06T05:19:41Z)
• Constructing Custom Thermodynamics Using Deep Learning [10.008895786910195]
  人工知能(AI)の最もエキサイティングな応用の1つは、以前に蓄積されたデータに基づいた自動科学的発見である。 ここでは、任意の散逸系のマクロ的記述を学習するための一般化オンサーガー原理に基づくプラットフォームを開発する。 本研究では, 長期ポリマー鎖の伸張特性を理論的, 実験的に検証し, その効果を実証する。
  論文  参考訳（メタデータ） (2023-08-08T08:19:43Z)
• Artificial Intelligence for Science in Quantum, Atomistic, and Continuum Systems [268.585904751315]
  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)
• FAIR AI Models in High Energy Physics [16.744801048170732]
  実験高エネルギー物理学におけるAIモデルに対するFAIR原則の実践的定義を提案する。 これらの原則を適用するためのテンプレートについて説明する。 本稿では,このFAIR AIモデルの堅牢性,ハードウェアアーキテクチャとソフトウェアフレームワーク間のポータビリティ,解釈可能性について報告する。
  論文  参考訳（メタデータ） (2022-12-09T19:00:18Z)
• Expressing High-Level Scientific Claims with Formal Semantics [0.8258451067861932]
  我々は、すべての分野の科学論文のサンプルから主要な主張を分析する。 それらの意味論は RDF や OWL のような形式論の直接的な応用よりも複雑である。 ここでは、このスーパーパターンの5つのスロットのインスタンス化が、高階論理における厳密に定義されたステートメントにどのように導かれるかを示す。
  論文  参考訳（メタデータ） (2021-09-27T09:52:49Z)

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。