Fugu-MT 論文翻訳(概要): Machine Learning Algebraic Geometry for Physics

論文の概要: Machine Learning Algebraic Geometry for Physics

arxiv url: http://arxiv.org/abs/2204.10334v1
Date: Thu, 21 Apr 2022 18:00:03 GMT
ステータス: 処理完了
システム内更新日: 2022-04-26 03:11:51.981755
Title: Machine Learning Algebraic Geometry for Physics
Title（参考訳）: 物理のための機械学習代数幾何学
Authors: Jiakang Bao, Yang-Hui He, Elli Heyes, Edward Hirst
Abstract要約: この章は、A. KasprzykとA. Kasprzykらによって編集された『機械学習と代数幾何学』への貢献である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: We review some recent applications of machine learning to algebraic geometry and physics. Since problems in algebraic geometry can typically be reformulated as mappings between tensors, this makes them particularly amenable to supervised learning. Additionally, unsupervised methods can provide insight into the structure of such geometrical data. At the heart of this programme is the question of how geometry can be machine learned, and indeed how AI helps one to do mathematics. This is a chapter contribution to the book Machine learning and Algebraic Geometry, edited by A. Kasprzyk et al.
Abstract（参考訳）: 代数幾何学と物理への機械学習の最近の応用について概説する。代数幾何学の問題は典型的にはテンソル間の写像として再構成できるため、特に教師付き学習に適している。さらに、教師なしの手法はそのような幾何学的データの構造についての洞察を与えることができる。このプログラムの核心は、いかに幾何学が機械で学習できるか、そして、aiが数学をいかに助けるかという問題である。これは a. kasprzyk らによって編集された著書 machine learning and algebraic geometry への章である。

関連論文リスト

Beyond Euclid: An Illustrated Guide to Modern Machine Learning with Geometric, Topological, and Algebraic Structures [3.5357133304100326]
現代の機械学習は、本質的に非ユークリッド的なリッチな構造化されたデータに遭遇する。そのような非ユークリッドデータから知識を抽出するには、より広範な数学的視点が必要である。我々は最近の進歩を直感的な統合フレームワークに統合するグラフィカルな分類法を提案する。
論文参考訳（メタデータ） (2024-07-12T17:48:36Z)
Autoformalizing Euclidean Geometry [74.72212706513318]
ユークリッド幾何学の自己形式化のためのニューロシンボリックフレームワークを提案する。 1つの課題は、非公式な証明が図に頼り、形式化が難しいテキストのギャップを残すことである。自己形式化定理文の自動意味評価を行う。
論文参考訳（メタデータ） (2024-05-27T14:35:10Z)
A Survey of Geometric Graph Neural Networks: Data Structures, Models and Applications [67.33002207179923]
本稿では、幾何学的GNNに関するデータ構造、モデル、および応用について調査する。幾何学的メッセージパッシングの観点から既存のモデルの統一的なビューを提供する。また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
論文参考訳（メタデータ） (2024-03-01T12:13:04Z)
A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
論文参考訳（メタデータ） (2023-12-12T18:44:19Z)
Symmetry-Informed Geometric Representation for Molecules, Proteins, and Crystalline Materials [66.14337835284628]
幾何戦略の有効性をベンチマークできるGeom3Dというプラットフォームを提案する。 Geom3Dは16の高度な対称性インフォームド幾何表現モデルと46の多様なデータセット上の14の幾何事前学習方法を含んでいる。
論文参考訳（メタデータ） (2023-06-15T05:37:25Z)
Exploring Data Geometry for Continual Learning [64.4358878435983]
非定常データストリームのデータ幾何を探索することにより,新しい視点から連続学習を研究する。提案手法は,新しいデータによって引き起こされる幾何構造に対応するために,基底空間の幾何学を動的に拡張する。実験により,本手法はユークリッド空間で設計したベースライン法よりも優れた性能が得られることが示された。
論文参考訳（メタデータ） (2023-04-08T06:35:25Z)
UniGeo: Unifying Geometry Logical Reasoning via Reformulating Mathematical Expression [127.68780714438103]
計算と証明の2つの主要な幾何学問題は、通常2つの特定のタスクとして扱われる。我々は4,998の計算問題と9,543の証明問題を含むUniGeoという大規模統一幾何問題ベンチマークを構築した。また,複数タスクの幾何変換フレームワークであるGeoformerを提案し,計算と証明を同時に行う。
論文参考訳（メタデータ） (2022-12-06T04:37:51Z)
Open Geometry Prover Community Project [0.0]
Open Geometry Prover Community Projectは、共通な"umbrella"の下で、幾何自動定理プロバーの開発のための様々な取り組みを統合することを目的としている。本稿では、そのような統合に必要なステップと、これらのステップの現在の実装について説明する。
論文参考訳（メタデータ） (2022-01-03T09:27:23Z)
Geometric Algebra Attention Networks for Small Point Clouds [0.0]
物理科学における問題は、2次元または3次元空間における比較的小さな点集合を扱う。これらの小点雲上での深層学習のための回転・置換同変アーキテクチャを提案する。物理, 化学, 生物学に関連するサンプル問題を, モデルを用いて解くことにより, これらのアーキテクチャの有用性を実証する。
論文参考訳（メタデータ） (2021-10-05T22:52:12Z)
Towards Automated Discovery of Geometrical Theorems in GeoGebra [0.0]
実験的なGeoGebraコマンドとツールDiscoverのプロトタイプについて述べる。本論文は, 数学的背景と, 幾何学的図形の興味深い性質を記憶する際の爆発を避ける方法に焦点をあてる。
論文参考訳（メタデータ） (2020-07-24T10:59:39Z)
Learning Geometry-Dependent and Physics-Based Inverse Image Reconstruction [9.565653662306806]
本稿では,その基盤となる幾何学と物理を活かした逆画像の学習手法を提案する。まず,未知変数と計測変数を記述可能な非ユークリッド符号化復号ネットワークを提案する。次に、2つの領域間の幾何依存物理学を2部グラフで明示的にモデル化することで学習する。
論文参考訳（メタデータ） (2020-07-18T21:53:27Z)

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。