Fugu-MT 論文翻訳(概要): Physics Community Needs, Tools, and Resources for Machine Learning

論文の概要: Physics Community Needs, Tools, and Resources for Machine Learning

arxiv url: http://arxiv.org/abs/2203.16255v1
Date: Wed, 30 Mar 2022 12:38:12 GMT
ステータス: 処理完了
システム内更新日: 2022-03-31 22:08:54.809043
Title: Physics Community Needs, Tools, and Resources for Machine Learning
Title（参考訳）: 機械学習のための物理コミュニティのニーズ、ツール、リソース
Authors: Philip Harris, Erik Katsavounidis, William Patrick McCormack, Dylan Rankin, Yongbin Feng, Abhijith Gandrakota, Christian Herwig, Burt Holzman, Kevin Pedro, Nhan Tran, Tingjun Yang, Jennifer Ngadiuba, Michael Coughlin, Scott Hauck, Shih-Chieh Hsu, Elham E Khoda, Deming Chen, Mark Neubauer, Javier Duarte, Georgia Karagiorgi, Mia Liu
Abstract要約: 機械学習(ML)は、最先端の物理学研究においてますます重要なコンポーネントになりつつある。しかし、その計算要求は重大な課題を呈している。この白書では、レイテンシとスループットの異なるMLに関する物理学コミュニティのニーズについて論じる。
参考スコア（独自算出の注目度）: 17.344271002713995
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning (ML) is becoming an increasingly important component of cutting-edge physics research, but its computational requirements present significant challenges. In this white paper, we discuss the needs of the physics community regarding ML across latency and throughput regimes, the tools and resources that offer the possibility of addressing these needs, and how these can be best utilized and accessed in the coming years.
Abstract（参考訳）: 機械学習(ML)は最先端の物理学研究においてますます重要なコンポーネントになりつつあるが、その計算要求は重要な課題を示している。本稿では,レイテンシとスループットのレジームにまたがるmlに関する物理コミュニティのニーズ,これらのニーズに対応する可能性を提供するツールとリソース,今後数年間でこれらを最大限に活用し,アクセスする方法について論じる。

関連論文リスト

The Efficiency Spectrum of Large Language Models: An Algorithmic Survey [54.19942426544731]
LLM(Large Language Models)の急速な成長は、様々なドメインを変換する原動力となっている。本稿では,LLMのエンドツーエンドのアルゴリズム開発に不可欠な多面的効率性について検討する。
論文参考訳（メタデータ） (2023-12-01T16:00:25Z)
A Critical Review of Physics-Informed Machine Learning Applications in Subsurface Energy Systems [0.0]
物理インフォームド機械学習(PIML)技術は、物理原理をデータ駆動モデルに統合する。 PIMLは、モデルの一般化、物理法則の遵守、解釈可能性を改善する。本稿では,主に石油・ガス産業における地下エネルギーシステムに関するPIML応用について概説する。
論文参考訳（メタデータ） (2023-08-06T18:20:24Z)
Learnability with Time-Sharing Computational Resource Concerns [65.268245109828]
本稿では,学習理論における計算資源の影響を考慮した理論的枠組みを提案する。このフレームワークは、入ってくるデータストリームが潜在的に無限であるようなストリーム学習に自然に適用できる。これはまた、インテリジェントなスーパーコンピュータオペレーティングシステムの設計に対する理論的視点を提供するかもしれない。
論文参考訳（メタデータ） (2023-05-03T15:54:23Z)
Snowmass 2021 Computational Frontier CompF03 Topical Group Report: Machine Learning [0.8594140167290096]
新しく、潜在的に革命的なアプローチは、両方の分野で才能のある世代によって開発されている。これらの発展を推進している学際的なコミュニティのニーズを緊急に支援する必要がある。
論文参考訳（メタデータ） (2022-09-15T18:46:48Z)
A Survey of Machine Unlearning [56.017968863854186]
最近の規制では、要求に応じて、ユーザに関する個人情報をコンピュータシステムから削除する必要がある。 MLモデルは古いデータをよく記憶します。機械学習に関する最近の研究は、この問題を完全に解決することはできなかった。
論文参考訳（メタデータ） (2022-09-06T08:51:53Z)
Data Science and Machine Learning in Education [7.998668690552295]
我々は高エネルギー物理(HEP)におけるデータサイエンス(DS)と機械学習(ML)の役割の増大について論じる。本稿では,HEP研究とDS/ML教育の相乗効果を探求し,この交差点における機会と課題について議論し,相互に有益なコミュニティ活動を提案する。
論文参考訳（メタデータ） (2022-07-19T04:20:39Z)
Retrieval-Enhanced Machine Learning [110.5237983180089]
本稿では,いくつかの既存モデルを含む汎用的な検索強化機械学習フレームワークについて述べる。 REMLは情報検索の慣例に挑戦し、最適化を含む中核領域における新たな進歩の機会を提示している。 REMLリサーチアジェンダは、情報アクセス研究の新しいスタイルの基礎を築き、機械学習と人工知能の進歩への道を開く。
論文参考訳（メタデータ） (2022-05-02T21:42:45Z)
Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
論文参考訳（メタデータ） (2022-03-11T18:27:04Z)
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)
Integrating Machine Learning with Physics-Based Modeling [17.392391163553334]
この記事では、幅広い関心事の1つに焦点を当てる。機械学習と物理に基づくモデリングをどのように統合できるのか? 機械学習に基づく物理モデルを開発する上で最も重要な2つの課題について論じる。最終的には、この統合がどこに導くのか、そして機械学習が科学的モデリングにうまく統合された後、新たなフロンティアがどこにあるのか、という一般的な議論で終わります。
論文参考訳（メタデータ） (2020-06-04T02:35:10Z)
Resource-Efficient Neural Networks for Embedded Systems [23.532396005466627]
本稿では,機械学習技術の現状について概説する。私たちは、過去10年で主要な機械学習モデルであるディープニューラルネットワーク(DNN)に基づく、リソース効率の高い推論に焦点を当てています。我々は、圧縮技術を用いて、よく知られたベンチマークデータセットの実験で議論を裏付ける。
論文参考訳（メタデータ） (2020-01-07T14:17:09Z)

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。