論文の概要: Physical Computing for Materials Acceleration Platforms
- arxiv url: http://arxiv.org/abs/2208.08566v1
- Date: Wed, 17 Aug 2022 23:03:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-19 14:03:37.200250
- Title: Physical Computing for Materials Acceleration Platforms
- Title（参考訳）: 物質加速プラットフォームのための物理コンピューティング
- Authors: Erik Peterson, Alexander Lavin
- Abstract要約: 我々は、MAPs研究プログラムの一環として、新しい素材の探索を加速する同じシミュレーションとAIツールが、根本的に新しいコンピュータ媒体の設計を可能にすると論じている。
シミュレーションに基づくMAPプログラムの概要を述べる。
我々は、材料研究者と計算機科学者の革新的なコラボレーションの新たな時代を導入することを期待している。
- 参考スコア（独自算出の注目度）: 81.09376948478891
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A ''technology lottery'' describes a research idea or technology succeeding
over others because it is suited to the available software and hardware, not
necessarily because it is superior to alternative directions--examples abound,
from the synergies of deep learning and GPUs to the disconnect of urban design
and autonomous vehicles. The nascent field of Self-Driving Laboratories (SDL),
particularly those implemented as Materials Acceleration Platforms (MAPs), is
at risk of an analogous pitfall: the next logical step for building MAPs is to
take existing lab equipment and workflows and mix in some AI and automation. In
this whitepaper, we argue that the same simulation and AI tools that will
accelerate the search for new materials, as part of the MAPs research program,
also make possible the design of fundamentally new computing mediums. We need
not be constrained by existing biases in science, mechatronics, and
general-purpose computing, but rather we can pursue new vectors of engineering
physics with advances in cyber-physical learning and closed-loop,
self-optimizing systems. Here we outline a simulation-based MAP program to
design computers that use physics itself to solve optimization problems. Such
systems mitigate the hardware-software-substrate-user information losses
present in every other class of MAPs and they perfect alignment between
computing problems and computing mediums eliminating any technology lottery. We
offer concrete steps toward early ''Physical Computing (PC) -MAP'' advances and
the longer term cyber-physical R&D which we expect to introduce a new era of
innovative collaboration between materials researchers and computer scientists.
- Abstract（参考訳）: 技術宝くじ」は、利用可能なソフトウェアやハードウェアに適しており、必ずしも他の方向よりも優れているためではなく、ディープラーニングやgpuのシナジーから、都市デザインや自動運転車の切り離しまで、研究のアイデアや技術が他よりも優れていることを記述している。
SDL(Self-Driving Laboratories)の初期段階、特にMaterial Acceleration Platforms(MAP)として実装されている分野は、同じような落とし穴の危険にさらされている。
この白書では、MAPs研究プログラムの一環として、新しい素材の探索を加速する同じシミュレーションとAIツールが、根本的に新しいコンピュータ媒体の設計を可能にしていると論じている。
科学、メカトロニクス、汎用コンピューティングにおける既存のバイアスに制約される必要はなく、サイバー物理学習やクローズドループの自己最適化システムにおける進歩によって、エンジニアリング物理学の新しいベクトルを追求することができる。
本稿では,物理自体を用いて最適化問題を解くコンピュータを設計するためのシミュレーションベースのMAPプログラムについて概説する。
このようなシステムは、MAPのあらゆる種類に存在するハードウェア・ソフトウェア・基板・ユーザ情報損失を軽減し、コンピュータ問題とコンピュータ媒体間の完全な整合性を実現する。
我々は、初期の「物理コンピューティング(pc)-map」の進歩と、材料研究者とコンピュータ科学者の革新的なコラボレーションの新たな時代をもたらすことを期待する長期的なサイバー物理学r&dに向けた具体的なステップを提供する。
関連論文リスト
- Enhanced FIWARE-Based Architecture for Cyberphysical Systems With Tiny Machine Learning and Machine Learning Operations: A Case Study on Urban Mobility Systems [0.0]
モビリティコンピューティングは、リアルタイム要求、分散化、および無線ネットワークを介した接続性のために、特定の障壁を提示する。
エッジコンピューティングと小さな機械学習(tinyML)に関する新しい研究は、これらの問題に対処するために、低パフォーマンスデバイス上でAIモデルの実行を調査している。
本稿では、FIWAREソフトウェアコンポーネントに基づく以前のアーキテクチャを拡張し、機械学習操作フローを実装する。
論文 参考訳（メタデータ） (2024-11-16T13:14:29Z) - Classical and Quantum Physical Reservoir Computing for Onboard Artificial Intelligence Systems: A Perspective [0.0]
本稿では,生体脳の動作を模倣する,搭載型ニューロモルフィックコンピュータの開発を論じる。
量子ニューロモルフィックプロセッサ(QNP)は、オンボードバッテリーの1%未満を消費しながら、標準的なコンピュータの効率で計算を行うことができる。
論文 参考訳（メタデータ） (2024-06-14T06:55:09Z) - Machine Learning aided Computer Architecture Design for CNN Inferencing
Systems [0.0]
我々は,それぞれ5.03%,5.94%のMAPEを用いて,推論中のCNNのパワーと性能を予測する手法を開発した。
我々のアプローチは、コンピュータアーキテクトが開発初期段階のパワーと性能を見積もることを可能にし、多くのプロトタイプの必要性を減らします。
論文 参考訳（メタデータ） (2023-08-10T06:17:46Z) - Selected Trends in Artificial Intelligence for Space Applications [69.3474006357492]
この章は、差別化可能なインテリジェンスとオンボード機械学習に焦点を当てている。
欧州宇宙機関(ESA)Advanced Concepts Team(ACT)から選ばれたいくつかのプロジェクトについて論じる。
論文 参考訳（メタデータ） (2022-12-10T07:49:50Z) - Coordinated Science Laboratory 70th Anniversary Symposium: The Future of
Computing [80.72844751804166]
2021年、コーディネート・サイエンス研究所(CSL)は70周年を記念して、Future of Computing Symposiumを開催した。
シンポジウムで提案された主要な技術的ポイント、洞察、方向性を要約する。
参加者は、新しいコンピューティングパラダイム、技術、アルゴリズム、行動、そして将来予想される研究課題に関するトピックについて議論した。
論文 参考訳（メタデータ） (2022-10-04T17:32:27Z) - 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) - Edge-Cloud Polarization and Collaboration: A Comprehensive Survey [61.05059817550049]
クラウドとエッジ両方のAIの体系的なレビューを行います。
私たちはクラウドとエッジモデリングの協調学習メカニズムを最初にセットアップしました。
我々は現在進行中の最先端AIトピックの可能性と実践経験について議論する。
論文 参考訳（メタデータ） (2021-11-11T05:58:23Z) - Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。
ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。
本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
論文 参考訳（メタデータ） (2020-05-27T11:56:56Z) - Convergence of Artificial Intelligence and High Performance Computing on
NSF-supported Cyberinfrastructure [3.4291439418246177]
人工知能(AI)アプリケーションは、産業や技術におけるビッグデータの課題に対して、トランスフォーメーションソリューションを推進している。
AIは、統計的および数学的厳密性を備えたコンピューティングパラダイムへと進化し続けており、トレーニング、検証、テストのためのシングルGPUソリューションがもはや不十分であることが明らかになっている。
この実現により、AIとハイパフォーマンスコンピューティングの融合が加速し、監視時間の短縮が図られている。
論文 参考訳（メタデータ） (2020-03-18T18:00:02Z)
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。