論文の概要: FAIR principles for AI models, with a practical application for
accelerated high energy diffraction microscopy
- arxiv url: http://arxiv.org/abs/2207.00611v1
- Date: Fri, 1 Jul 2022 18:11:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-05 13:24:48.075051
- Title: FAIR principles for AI models, with a practical application for
accelerated high energy diffraction microscopy
- Title（参考訳）: AIモデルのFAIR原理と加速高エネルギー回折顕微鏡への応用
- Authors: Nikil Ravi, Pranshu Chaturvedi, E. A. Huerta, Zhengchun Liu, Ryan
Chard, Aristana Scourtas, K.J. Schmidt, Kyle Chard, Ben Blaiszik and Ian
Foster
- Abstract要約: 我々は、統合された計算フレームワーク内でFAIRデータとAIモデルを作成し、共有する方法を紹介します。
ドメインに依存しないこの計算フレームワークが、自律的なAI駆動の発見を可能にする方法について説明する。
- 参考スコア（独自算出の注目度）: 1.9270896986812693
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A concise and measurable set of FAIR (Findable, Accessible, Interoperable and
Reusable) principles for scientific data are transforming the state-of-practice
for data management and stewardship, supporting and enabling discovery and
innovation. Learning from this initiative, and acknowledging the impact of
artificial intelligence (AI) in the practice of science and engineering, we
introduce a set of practical, concise and measurable FAIR principles for AI
models. We showcase how to create and share FAIR data and AI models within a
unified computational framework combining the following elements: the Advanced
Photon Source at Argonne National Laboratory, the Materials Data Facility, the
Data and Learning Hub for Science, funcX, and the Argonne Leadership Computing
Facility (ALCF), in particular the ThetaGPU supercomputer and the SambaNova
DataScale system at the ALCF AI-Testbed. We describe how this domain-agnostic
computational framework may be harnessed to enable autonomous AI-driven
discovery.
- Abstract（参考訳）: 科学データに対する簡潔で測定可能なFAIR(Findable, Accessible, Interoperable and Reusable)の原則は、データ管理とスチュワードシップの状況を変え、発見とイノベーションを支援し、実現している。
このイニシアチブから学び、科学と工学の実践における人工知能(AI)の影響を認識し、我々はAIモデルに対する実践的で簡潔で測定可能なFAIR原則のセットを紹介します。
本稿では、Argonne National LaboratoryのAdvanced Photon Source、Material Data Facility、Data and Learning Hub for Science、fucX、Argonne Leadership Computing Facility(ALCF)、特にThetaGPUスーパーコンピュータとSambaNova DataScale System(ALCF AI-Testbed)の3つの要素を組み合わせた統合計算フレームワーク内で、FAIRデータとAIモデルを作成、共有する方法を紹介する。
ドメインに依存しないこの計算フレームワークが、自律的なAI駆動の発見を可能にする方法について説明する。
関連論文リスト
- Converging Paradigms: The Synergy of Symbolic and Connectionist AI in LLM-Empowered Autonomous Agents [55.63497537202751]
コネクショニストと象徴的人工知能(AI)の収束を探求する記事
従来、コネクショナリストAIはニューラルネットワークにフォーカスし、シンボリックAIはシンボリック表現とロジックを強調していた。
大型言語モデル(LLM)の最近の進歩は、人間の言語をシンボルとして扱う際のコネクショナリストアーキテクチャの可能性を強調している。
論文 参考訳（メタデータ） (2024-07-11T14:00:53Z) - Bridging eResearch Infrastructure and Experimental Materials Science Process in the Quantum Data Hub [0.36651088217486427]
本稿では,量子材料を扱う研究者を対象としたコミュニティアクセス型研究基盤であるQuantum Data Hub (QDH)を紹介する。
QDHはNational Data Platformと統合され、FAIRの原則に準拠しながら、ユーザビリティ、ナビゲートビリティ、解釈可能性、タイムラインに関するUNITの新たな原則を提案している。
論文 参考訳（メタデータ） (2024-05-30T05:35:57Z) - Evaluating Emerging AI/ML Accelerators: IPU, RDU, and NVIDIA/AMD GPUs [14.397623940689487]
Graphcore Intelligence Processing Unit (IPU)、Sambanova Reconfigurable Dataflow Unit (RDU)、拡張GPUプラットフォームについてレビューする。
この研究は、これらの商用AI/MLアクセラレータの予備評価と比較を提供する。
論文 参考訳（メタデータ） (2023-11-08T01:06:25Z) - AI-Generated Images as Data Source: The Dawn of Synthetic Era [61.879821573066216]
生成AIは、現実世界の写真によく似た合成画像を作成する可能性を解き放った。
本稿では、これらのAI生成画像を新しいデータソースとして活用するという革新的な概念を探求する。
実際のデータとは対照的に、AI生成データには、未整合のアブリダンスやスケーラビリティなど、大きなメリットがある。
論文 参考訳（メタデータ） (2023-10-03T06:55:19Z) - 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) - FAIR AI Models in High Energy Physics [16.744801048170732]
実験高エネルギー物理学におけるAIモデルに対するFAIR原則の実践的定義を提案する。
これらの原則を適用するためのテンプレートについて説明する。
本稿では,このFAIR AIモデルの堅牢性,ハードウェアアーキテクチャとソフトウェアフレームワーク間のポータビリティ,解釈可能性について報告する。
論文 参考訳（メタデータ） (2022-12-09T19:00:18Z) - Towards a Dynamic Composability Approach for using Heterogeneous Systems
in Remote Sensing [0.0]
本稿では,科学計算,人工知能(AI),リモートセンシング領域の共通部分において,構成可能なシステムを利用するための新しいアプローチを提案する。
我々は,NSFが出資するスーパーコンピュータであるExpanseを,地理的分散クラスタであるNautilusとフェデレートする,構成可能なインフラストラクチャの最初の実例のアーキテクチャについて述べる。
論文 参考訳（メタデータ） (2022-11-13T14:48:00Z) - Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。
特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
論文 参考訳（メタデータ） (2022-03-06T10:12:56Z) - Learning from learning machines: a new generation of AI technology to
meet the needs of science [59.261050918992325]
科学的な発見のためのAIの有用性を高めるための新たな機会と課題を概説する。
産業におけるAIの目標と科学におけるAIの目標の区別は、データ内のパターンを識別することと、データから世界のパターンを発見することとの間に緊張を生じさせる。
論文 参考訳（メタデータ） (2021-11-27T00:55:21Z) - Confluence of Artificial Intelligence and High Performance Computing for
Accelerated, Scalable and Reproducible Gravitational Wave Detection [4.081122815035999]
DOEとNSFが支援するサイバーインフラストラクチャーの接続によって、機械学習モデルをパブリッシュする方法を実証する。
次に、このワークフローを用いて、オープンソースの先進LIGOデータにおいて、二元ブラックホール重力波信号を探索する。
このワークフローを使うことで、オープンソースで利用可能な4つのディープラーニングモデルのアンサンブルがHAL上で実行でき、2017年8月のLIGOデータの高度な処理をわずか7分で行うことができる。
論文 参考訳（メタデータ） (2020-12-15T19:00:29Z) - A general framework for scientifically inspired explanations in AI [76.48625630211943]
我々は、AIシステムの説明を実装可能な一般的なフレームワークの理論的基盤として、科学的説明の構造の概念をインスタンス化する。
このフレームワークは、AIシステムの"メンタルモデル"を構築するためのツールを提供することを目的としている。
論文 参考訳（メタデータ） (2020-03-02T10:32:21Z)
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。