論文の概要: Machine Learning and Cosmology

• arxiv url: http://arxiv.org/abs/2203.08056v1
• Date: Tue, 15 Mar 2022 16:50:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-16 15:01:31.602751
• Title: Machine Learning and Cosmology
• Title（参考訳）: 機械学習と宇宙論
• Authors: Cora Dvorkin, Siddharth Mishra-Sharma, Brian Nord, V. Ashley Villar, Camille Avestruz, Keith Bechtol, Aleksandra \'Ciprijanovi\'c, Andrew J. Connolly, Lehman H. Garrison, Gautham Narayan, and Francisco Villaescusa-Navarro
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 47.49675865724787
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Methods based on machine learning have recently made substantial inroads in many corners of cosmology. Through this process, new computational tools, new perspectives on data collection, model development, analysis, and discovery, as well as new communities and educational pathways have emerged. Despite rapid progress, substantial potential at the intersection of cosmology and machine learning remains untapped. In this white paper, we summarize current and ongoing developments relating to the application of machine learning within cosmology and provide a set of recommendations aimed at maximizing the scientific impact of these burgeoning tools over the coming decade through both technical development as well as the fostering of emerging communities.
• Abstract（参考訳）: 機械学習に基づく手法は、最近、宇宙論の多くの分野において大きな進歩を遂げた。 このプロセスを通じて、新しい計算ツール、データ収集、モデル開発、分析、発見に関する新しい視点、そして新しいコミュニティや教育経路が出現した。 急速な進歩にもかかわらず、宇宙論と機械学習の交点における大きなポテンシャルはいまだに残っていない。 本稿では、宇宙学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進展を概説し、技術開発と新興コミュニティの育成を通じて、今後10年間に急成長するこれらのツールの科学的影響を最大化することを目的とした一連の勧告を提供する。

関連論文リスト

• Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
  オントロジはドメイン知識とメタデータを表現するために広く使われている。 1つの簡単な解決策は、統計分析と機械学習を統合することである。 埋め込みに関する多くの論文が出版されているが、体系的なレビューの欠如により、研究者はこの分野の包括的な理解を妨げている。
  論文  参考訳（メタデータ） (2024-06-16T14:49:19Z)
• Enhancing Generative Class Incremental Learning Performance with Model Forgetting Approach [50.36650300087987]
  本研究は, ジェネレーティブ・クラス・インクリメンタル・ラーニング(GCIL, Generative Class Incremental Learning)への新たなアプローチを提案する。 我々は, 忘れる機構の統合により, 新たな知識獲得におけるモデルの性能が著しく向上することを発見した。
  論文  参考訳（メタデータ） (2024-03-27T05:10:38Z)
• 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)
• Constructing Impactful Machine Learning Research for Astronomy: Best Practices for Researchers and Reviewers [0.0]
  機械学習は、天文学のコミュニティにとって、急速に選択のツールになりつつある。 本稿では、機械学習モデルの実装方法と結果の報告方法について、天文学コミュニティにプライマーを提供する。
  論文  参考訳（メタデータ） (2023-10-19T07:04:36Z)
• Bridging Machine Learning and Sciences: Opportunities and Challenges [0.0]
  機械学習の科学への応用は、近年、エキサイティングな進歩を遂げている。 近年,ディープ・ニューラルネットを用いたアウト・オブ・ディストリビューション検出は高次元データにおいて大きな進歩を遂げている。 我々は、データ普遍性、実験プロトコル、モデル堅牢性など、それらの適用可能性について批判的に考察する。
  論文  参考訳（メタデータ） (2022-10-24T17:54:46Z)
• Modern applications of machine learning in quantum sciences [51.09906911582811]
  本稿では、教師なし、教師なし、強化学習アルゴリズムにおけるディープラーニングとカーネル手法の使用について述べる。 我々は、微分可能プログラミング、生成モデル、機械学習に対する統計的アプローチ、量子機械学習など、より専門的なトピックについて議論する。
  論文  参考訳（メタデータ） (2022-04-08T17:48:59Z)
• Using Machine Learning to Find New Density Functionals [0.0]
  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。
  論文  参考訳（メタデータ） (2021-12-04T00:49:26Z)
• 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)

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。