Fugu-MT 論文翻訳(概要): Unsupervised machine learning for physical concepts

論文の概要: Unsupervised machine learning for physical concepts

arxiv url: http://arxiv.org/abs/2205.05279v1
Date: Wed, 11 May 2022 05:48:46 GMT
ステータス: 処理完了
システム内更新日: 2022-05-13 05:52:28.573081
Title: Unsupervised machine learning for physical concepts
Title（参考訳）: 物理概念のための教師なし機械学習
Authors: Ruyu Yang
Abstract要約: 教師なし機械学習を用いて解釈可能な物理概念を抽出するハイブリッド手法を提案する。変動型オートエンコーダネットワークを用いて意味のある物理変数を抽出する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In recent years, machine learning methods have been used to assist scientists in scientific research. Human scientific theories are based on a series of concepts. How machine learns the concepts from experimental data will be an important first step. We propose a hybrid method to extract interpretable physical concepts through unsupervised machine learning. This method consists of two stages. At first, we need to find the Betti numbers of experimental data. Secondly, given the Betti numbers, we use a variational autoencoder network to extract meaningful physical variables. We test our protocol on toy models and show how it works.
Abstract（参考訳）: 近年、科学者の科学研究を支援するために機械学習が用いられている。人間の科学的理論は一連の概念に基づいている。実験データから概念を学習する方法は、重要な第一歩となるでしょう。教師なし機械学習を用いて解釈可能な物理概念を抽出するハイブリッド手法を提案する。この方法は2つの段階からなる。まず、実験データのベッチ数を見つける必要があります。次に,ベッチ数から有意な物理変数を抽出するために,変分オートエンコーダネットワークを用いる。おもちゃのモデルでプロトコルをテストし、その仕組みを示します。

関連論文リスト

Physics-Informed Machine Learning: A Survey on Problems, Methods and Applications [31.157298426186653]
最近の研究は、物理的な事前および収集されたデータを組み込むことによって、機械学習モデルに潜在的な利点を提供することを示している。本稿では、経験的データと利用可能な物理的事前知識を活用するモデルを構築することを目的とした、Physical-Informed Machine Learning(PIML)という学習パラダイムを提案する。
論文参考訳（メタデータ） (2022-11-15T11:34:30Z)
Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文参考訳（メタデータ） (2022-09-05T16:48:34Z)
Predicting Real-time Scientific Experiments Using Transformer models and Reinforcement Learning [0.0]
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。
論文参考訳（メタデータ） (2022-04-25T15:19:25Z)
Learning to Scaffold: Optimizing Model Explanations for Teaching [74.25464914078826]
我々は3つの自然言語処理とコンピュータビジョンタスクのモデルを訓練する。筆者らは,本フレームワークで抽出した説明文を学習した学生が,従来の手法よりもはるかに効果的に教師をシミュレートできることを発見した。
論文参考訳（メタデータ） (2022-04-22T16:43:39Z)
Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
論文参考訳（メタデータ） (2021-11-28T14:24:52Z)
The Physics of Machine Learning: An Intuitive Introduction for the Physical Scientist [0.0]
この記事では、機械学習アルゴリズムに関する深い洞察を得たいと願う物理科学者を対象としている。まず、エネルギーベースの2つの機械学習アルゴリズム、ホップフィールドネットワークとボルツマンマシンのレビューと、Isingモデルとの関係について述べる。次に、フィードフォワードニューラルネットワーク、畳み込みニューラルネットワーク、オートエンコーダを含む、さらに"実践的"な機械学習アーキテクチャを掘り下げます。
論文参考訳（メタデータ） (2021-11-27T15:12:42Z)
Observing Interventions: A logic for thinking about experiments [62.997667081978825]
本稿では,実験から学ぶ論理への第一歩について述べる。我々のアプローチにとって重要なことは、介入の概念が(現実的または仮説的な)実験の形式的表現として使用できるという考えである。提案された全ての論理系に対して、健全で完全な公理化を提供する。
論文参考訳（メタデータ） (2021-11-25T09:26:45Z)
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)
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)
Computer-inspired Quantum Experiments [1.2891210250935146]
多くの分野において、コンピュータにインスパイアされた設計プロセスは、逆設計としても知られ、科学者の能力を高めている。我々は、トポロジ的最適化、進化戦略、ディープラーニング、強化学習、自動推論に基づく、非常に多様な計算アプローチに遭遇する。
論文参考訳（メタデータ） (2020-02-23T18:59:00Z)
Explainable Active Learning (XAL): An Empirical Study of How Local Explanations Impact Annotator Experience [76.9910678786031]
本稿では、最近急増している説明可能なAI(XAI)のテクニックをアクティブラーニング環境に導入することにより、説明可能なアクティブラーニング(XAL)の新たなパラダイムを提案する。本研究は,機械教育のインタフェースとしてのAI説明の利点として,信頼度校正を支援し,リッチな形式の教示フィードバックを可能にすること,モデル判断と認知作業負荷による潜在的な欠点を克服する効果を示す。
論文参考訳（メタデータ） (2020-01-24T22:52:18Z)

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。