論文の概要: Predicting Real-time Scientific Experiments Using Transformer models and Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2204.11718v1
• Date: Mon, 25 Apr 2022 15:19:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-26 14:51:32.462557
• Title: Predicting Real-time Scientific Experiments Using Transformer models and Reinforcement Learning
• Title（参考訳）: 変圧器モデルと強化学習を用いた実時間科学実験予測
• Authors: Juan Manuel Parrilla-Gutierrez
• Abstract要約: 本稿では,リアルタイム科学実験をシミュレートするTransformerモデルに基づくエンコーダデコーダアーキテクチャを提案する。 概念実証として、このアーキテクチャは化学反応によって生じる振動に一連の機械的入力をマッピングするように訓練された。 本研究は, 学習者がリアルタイムな科学実験をモデル化し, ユーザが操作する時間によってどのように変化するかを示すものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Life and physical sciences have always been quick to adopt the latest advances in machine learning to accelerate scientific discovery. Examples of this are cell segmentation or cancer detection. Nevertheless, these exceptional results are based on mining previously created datasets to discover patterns or trends. Recent advances in AI have been demonstrated in real-time scenarios like self-driving cars or playing video games. However, these new techniques have not seen widespread adoption in life or physical sciences because experimentation can be slow. To tackle this limitation, this work aims to adapt generative learning algorithms to model scientific experiments and accelerate their discovery using in-silico simulations. We particularly focused on real-time experiments, aiming to model how they react to user inputs. To achieve this, here we present an encoder-decoder architecture based on the Transformer model to simulate real-time scientific experimentation, predict its future behaviour and manipulate it on a step-by-step basis. As a proof of concept, this architecture was trained to map a set of mechanical inputs to the oscillations generated by a chemical reaction. The model was paired with a Reinforcement Learning controller to show how the simulated chemistry can be manipulated in real-time towards user-defined behaviours. Our results demonstrate how generative learning can model real-time scientific experimentation to track how it changes through time as the user manipulates it, and how the trained models can be paired with optimisation algorithms to discover new phenomena beyond the physical limitations of lab experimentation. This work paves the way towards building surrogate systems where physical experimentation interacts with machine learning on a step-by-step basis.
• Abstract（参考訳）: 生命科学と物理科学は、科学的な発見を加速するために、機械学習の最新技術を採用するのが早かった。 その例としては、細胞分画やがん検出がある。 それでも、これらの例外的な結果は、パターンやトレンドを発見するために以前に作成されたデータセットのマイニングに基づいている。 AIの最近の進歩は、自動運転車やビデオゲームのようなリアルタイムシナリオで実証されている。 しかし、これらの新技術は実験が遅いため、生命科学や物理科学に広く採用されていない。 この制限に対処するため、本研究は、生成学習アルゴリズムを科学的実験のモデル化に適応させ、インシリコシミュレーションを用いて発見を加速することを目的としている。 特に,ユーザの入力に対する反応のモデル化を目的としたリアルタイム実験に注目した。 そこで本稿では,トランスフォーマモデルに基づくエンコーダ・デコーダアーキテクチャを用いて,実時間科学的実験をシミュレートし,今後の動作を予測し,ステップバイステップで操作する。 概念実証として、このアーキテクチャは化学反応によって生じる振動に一連の機械的入力をマッピングするように訓練された。 モデルはReinforcement Learningコントローラと組み合わせて、シミュレーションされた化学がユーザ定義の振る舞いに対してリアルタイムでどのように操作できるかを示した。 本研究は,ユーザが操作する時間的変化を追跡するために,生成学習がリアルタイム科学実験をモデル化し,学習モデルと最適化アルゴリズムを組み合わせて実験実験の物理的限界を超えた新たな現象を発見できることを示す。 この研究は、物理的な実験がステップバイステップで機械学習と相互作用するサロゲートシステムを構築するための道を開く。

関連論文リスト

• 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)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Simulation-Based Parallel Training [55.41644538483948]
  このようなボトルネックを緩和するトレーニングフレームワークを設計するために、現在進行中の作業を紹介します。 トレーニングプロセスと並行してデータを生成する。 このバイアスをメモリバッファで軽減する戦略を提案する。
  論文  参考訳（メタデータ） (2022-11-08T09:31:25Z)
• Towards Learned Simulators for Cell Migration [2.5331228143087565]
  細胞力学のための神経シミュレーターは、実験室実験や従来の方法を拡張して、細胞と物理的環境との相互作用の理解を高めることができる。 本稿では,単一細胞移動のダイナミクスを再現できる自己回帰確率モデルを提案する。 標準の単段階学習手法が不整合安定性をもたらすだけでなく,ダイナミクスの側面を正確に把握できないことも観察した。
  論文  参考訳（メタデータ） (2022-10-02T14:01:09Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Emulating Quantum Dynamics with Neural Networks via Knowledge Distillation [8.741611658931337]
  高忠実な量子力学エミュレータは、複雑な物理系の時間進化を予測するのに使うことができる。 機械学習に基づくエミュレータを構築するための効率的なトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-19T00:21:39Z)
• Robot Learning from Randomized Simulations: A Review [59.992761565399185]
  ディープラーニングがロボティクス研究のパラダイムシフトを引き起こし、大量のデータを必要とする方法が好まれている。 最先端のアプローチは、データ生成が高速かつ安価であるシミュレーションで学ぶ。 本稿では,ランダム化シミュレーションから学習する手法である「領域ランダム化」に焦点をあてる。
  論文  参考訳（メタデータ） (2021-11-01T13:55:41Z)
• New Trends in Quantum Machine Learning [0.0]
  我々は、機械学習が新しい量子技術とアルゴリズムの恩恵を受ける方法を探る。 データ可視化技術や機械学習から借用した他のスキームは、理論家にとって非常に有用である。
  論文  参考訳（メタデータ） (2021-08-22T08:23:30Z)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)
• Scientific intuition inspired by machine learning generated hypotheses [2.294014185517203]
  私たちは、機械学習モデル自体が得る洞察と知識に焦点を移します。 決定木では, 化学や物理から, ビッグデータから人間の解釈可能な洞察を抽出するために, 勾配増進法を適用した。 数値を超える能力は、機械学習を使って概念理解の発見を加速する扉を開く。
  論文  参考訳（メタデータ） (2020-10-27T12:12:12Z)
• Building high accuracy emulators for scientific simulations with deep neural architecture search [0.0]
  機械学習で高速エミュレータを構築することでシミュレーションを加速するための有望なルートは、大規模なトレーニングデータセットを必要とする。 ここでは,学習データに制限がある場合でも,正確なエミュレータを構築するためのニューラルネットワーク探索に基づく手法を提案する。 この手法は、天体物理学、気候科学、生物地球化学、高エネルギー密度物理学、核融合エネルギー、地震学を含む10の科学ケースにおいて、シミュレーションを最大20億回加速させることに成功した。
  論文  参考訳（メタデータ） (2020-01-17T22:14:12Z)

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。