論文の概要: A Low-Cost Robot Science Kit for Education with Symbolic Regression for
Hypothesis Discovery and Validation
- arxiv url: http://arxiv.org/abs/2204.04187v1
- Date: Fri, 8 Apr 2022 17:25:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-11 14:01:29.442892
- Title: A Low-Cost Robot Science Kit for Education with Symbolic Regression for
Hypothesis Discovery and Validation
- Title(参考訳): 仮説発見と検証のためのシンボリック回帰を用いた低コストロボット科学教育キット
- Authors: Logan Saar, Haotong Liang, Alex Wang, Austin McDannald, Efrain
Rodriguez, Ichiro Takeuchi, A. Gilad Kusne
- Abstract要約: 次世代の物理科学には、クローズドループで設計、実行、分析が可能な自律的な物理科学システムであるロボット科学者が含まれる。
これらのシステムの構築と利用には、ML、制御システム、計測科学、材料合成、意思決定理論など、さまざまな分野の専門知識が必要となる。
我々は、低コストの自律科学者を構築するためのキットである、科学教育の次世代を提示する。
- 参考スコア(独自算出の注目度): 15.72286703649173
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The next generation of physical science involves robot scientists -
autonomous physical science systems capable of experimental design, execution,
and analysis in a closed loop. Such systems have shown real-world success for
scientific exploration and discovery, including the first discovery of a
best-in-class material. To build and use these systems, the next generation
workforce requires expertise in diverse areas including ML, control systems,
measurement science, materials synthesis, decision theory, among others.
However, education is lagging. Educators need a low-cost, easy-to-use platform
to teach the required skills. Industry can also use such a platform for
developing and evaluating autonomous physical science methodologies. We present
the next generation in science education, a kit for building a low-cost
autonomous scientist. The kit was used during two courses at the University of
Maryland to teach undergraduate and graduate students autonomous physical
science. We discuss its use in the course and its greater capability to teach
the dual tasks of autonomous model exploration, optimization, and
determination, with an example of autonomous experimental "discovery" of the
Henderson-Hasselbalch equation.
- Abstract(参考訳): 次世代の物理科学には、クローズドループで実験的な設計、実行、分析を行うロボット科学者の物理科学システムが含まれる。
このようなシステムは科学的な探索と発見のために現実世界で成功し、その中にはクラスで最高の物質が最初に発見されたことも含まれる。
これらのシステムの構築と利用には、ML、制御システム、計測科学、材料合成、意思決定理論など、さまざまな分野の専門知識が必要となる。
しかし、教育は遅れている。
教育者は必要なスキルを教えるために、低コストで使いやすいプラットフォームが必要です。
産業は、自律的な物理科学方法論の開発と評価のためのプラットフォームも利用できる。
我々は、低コストの自律科学者を構築するためのキットである科学教育の次世代を提示する。
このキットはメリーランド大学で2つのコースで、大学院生と大学院生に自律体科学を教えるために使用された。
本稿では,Henderson-Hasselbalch方程式の自律的実験「発見」の例として,そのコースにおける利用と,自律的モデル探索,最適化,決定という2つのタスクを教える能力について論じる。
関連論文リスト
- SciGLM: Training Scientific Language Models with Self-Reflective
Instruction Annotation and Tuning [60.14510984576027]
SciGLMは、大学レベルの科学的推論を行うことができる科学言語モデルのスイートである。
本研究では, 自己回帰的指示アノテーションの枠組みを適用し, 難解な科学的問題に対する段階的推論を生成する。
言語モデルのChatGLMをSciInstructで微調整し、科学的および数学的推論能力を向上した。
論文 参考訳(メタデータ) (2024-01-15T20:22:21Z) - RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning
via Generative Simulation [64.51563634951394]
RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。
我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
論文 参考訳(メタデータ) (2023-11-02T17:59:21Z) - DARWIN Series: Domain Specific Large Language Models for Natural Science [20.864698325126735]
本稿では,物理,化学,物質科学を中心に,自然科学に適したLLMのシリーズであるDARWINを紹介する。
我々は6万以上の命令データポイントを用いてモデルを微調整し、事実の正しさを強調した。
DARWINシリーズは、様々な科学的タスクに関する最先端の結果を達成するだけでなく、クローズドソースAIモデルへの依存を減少させる。
論文 参考訳(メタデータ) (2023-08-25T01:40:48Z) - 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) - Automated Scientific Discovery: From Equation Discovery to Autonomous
Discovery Systems [5.7923858184309385]
本稿では、方程式発見から記号回帰から自律的な発見システムやエージェントまで、自動的な科学的発見を調査する。
我々は、Adamシステムに関する先駆的な研究から、物質科学から天文学まで、現在の分野への取り組みまで、クローズドループ科学発見システムを紹介する。
レベル5の最大レベルは、科学的知識の創出において人間の介入を必要としないと定義されている。
論文 参考訳(メタデータ) (2023-05-03T16:35:41Z) - Simulation Intelligence: Towards a New Generation of Scientific Methods [81.75565391122751]
シミュレーション知能の9つのモチーフ」は、科学計算、科学シミュレーション、人工知能の融合に必要な重要なアルゴリズムの開発と統合のためのロードマップである。
シミュレーションインテリジェンスのモチーフは、オペレーティングシステムのレイヤ内のコンポーネントとよく似ています。
我々は、モチーフ間の協調的な努力が科学的な発見を加速する大きな機会をもたらすと信じている。
論文 参考訳(メタデータ) (2021-12-06T18:45:31Z) - OPEn: An Open-ended Physics Environment for Learning Without a Task [132.6062618135179]
オープンエンドな物理環境で学んだ世界のモデルが、特定のタスクを伴わずに、下流の物理推論タスクに再利用できるかどうかについて検討する。
我々は,OPEn(Open-ended Physics ENvironment)のベンチマークを構築し,この環境における学習表現をテストするためのいくつかのタスクを明示的に設計する。
その結果、教師なしのコントラスト学習を表現学習に用いたエージェントと、探索のためのインパクト駆動学習が最良の結果となった。
論文 参考訳(メタデータ) (2021-10-13T17:48:23Z) - Toward Building Science Discovery Machines [3.7565501074323224]
我々は、高いレベルの推論と顕著な問題解決能力を必要とする科学的発見プロセスに焦点を当てる。
物理学、数学、生物学など、様々な分野におけるこれらの原則の使用例を示す。
私たちは、科学発見マシンを構築し、科学発見プロセスをスピードアップするために、理論と計算のフレームワークを構築するべきだと主張する。
論文 参考訳(メタデータ) (2021-03-24T14:04:03Z) - On-the-fly Closed-loop Autonomous Materials Discovery via Bayesian
Active Learning [12.021024778717575]
我々は、高度な素材の発見に、クローズドループでアクティブな学習駆動型自律システムに焦点を当てる。
複雑で高度な材料を手元に配置できる自律的な研究手法を実証する。
このロボット科学は、ネットワーク上の科学を可能にし、科学者の経済的影響を研究室から物理的に切り離すことができる。
論文 参考訳(メタデータ) (2020-06-11T01:26:24Z) - The Ingredients of Real-World Robotic Reinforcement Learning [71.92831985295163]
実世界で収集されたデータによって継続的に自律的に改善できるロボット学習システムに必要な要素について論じる。
本稿では,このようなシステムの特異なインスタンス化を事例として,デクスタラスな操作を事例として提案する。
我々は人間の介入なしに学習できることを実証し、現実世界の3本指の手で様々な視覚ベースのスキルを習得する。
論文 参考訳(メタデータ) (2020-04-27T03:36:10Z) - Autonomous discovery in the chemical sciences part II: Outlook [2.566673015346446]
この2部構成のレビューは、自動化が化学科学における発見のさまざまな側面にどのように貢献したかを検証している。
科学プロセスにおいて、自動化と計算の役割が何であるかを明確にすることがますます重要である。
論文 参考訳(メタデータ) (2020-03-30T19:11:35Z)
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。