論文の概要: Neurosymbolic Programming for Science

• arxiv url: http://arxiv.org/abs/2210.05050v1
• Date: Mon, 10 Oct 2022 23:46:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 15:53:25.505069
• Title: Neurosymbolic Programming for Science
• Title（参考訳）: 科学のためのニューロシンボリックプログラミング
• Authors: Jennifer J. Sun, Megan Tjandrasuwita, Atharva Sehgal, Armando Solar-Lezama, Swarat Chaudhuri, Yisong Yue, Omar Costilla-Reyes
• Abstract要約: ニューロシンボリックプログラミング(NP)技術は、分野横断の科学的発見を加速する可能性がある。 NPモデルは、ニューラルネットワークとシンボリックコンポーネントを組み合わせて、データから複雑なパターンや表現を学ぶ。 ここでは,現在のNPモデルと科学モデルの間の機会と課題を,科学における行動分析から実世界の例で同定する。
• 参考スコア（独自算出の注目度）: 37.102337114654155
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Neurosymbolic Programming (NP) techniques have the potential to accelerate scientific discovery across fields. These models combine neural and symbolic components to learn complex patterns and representations from data, using high-level concepts or known constraints. As a result, NP techniques can interface with symbolic domain knowledge from scientists, such as prior knowledge and experimental context, to produce interpretable outputs. Here, we identify opportunities and challenges between current NP models and scientific workflows, with real-world examples from behavior analysis in science. We define concrete next steps to move the NP for science field forward, to enable its use broadly for workflows across the natural and social sciences.
• Abstract（参考訳）: ニューロシンボリックプログラミング(NP)技術は、分野横断の科学的発見を促進する可能性がある。 これらのモデルは、ニューラルネットワークとシンボリックコンポーネントを組み合わせて、高レベルの概念や既知の制約を使って、データから複雑なパターンや表現を学ぶ。 その結果、NP技術は、先行知識や実験文脈のような科学者の記号的なドメイン知識と相互作用し、解釈可能な出力を生成することができる。 ここでは、現在のNPモデルと科学的ワークフローの間の機会と課題を、科学における行動分析から実世界の例で識別する。 我々は、科学分野のNPを前進させるための具体的な次のステップを定義し、自然科学と社会科学のワークフローに広く利用できるようにする。

関連論文リスト

• Exploring Biological Neuronal Correlations with Quantum Generative Models [0.0]
  生体神経活動の空間的・時間的相関を捉える合成データを生成するための量子生成モデルフレームワークを提案する。 本モデルは,従来の手法に比べてトレーニング可能なパラメータが少なく,信頼性の高い結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-09-13T18:00:06Z)
• Knowledge AI: Fine-tuning NLP Models for Facilitating Scientific Knowledge Extraction and Understanding [0.0]
  本研究は,Large Language Models (LLMs) の,特定の領域における科学的知識の理解と抽出における有効性について検討する。 トレーニング済みのモデルを採用し、科学領域のデータセットを微調整します。
  論文  参考訳（メタデータ） (2024-08-04T01:32:09Z)
• A Review of Neuroscience-Inspired Machine Learning [58.72729525961739]
  バイオプルーシブル・クレジット・アサインメントは、事実上あらゆる学習条件と互換性があり、エネルギー効率が高い。 本稿では,人工ニューラルネットワークにおける信用代入の生体評価可能なルールをモデル化する,いくつかの重要なアルゴリズムについて検討する。 我々は,このようなアルゴリズムを実用アプリケーションでより有用にするためには,今後の課題に対処する必要があることを論じる。
  論文  参考訳（メタデータ） (2024-02-16T18:05:09Z)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• 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)
• Classical-to-Quantum Sequence Encoding in Genomics [0.0]
  本稿では,様々な数学的分野にインスパイアされた古典的量子データエンコーディングを行う新しい手法を提案する。 本稿では,電気・電子工学,情報理論,微分幾何学,ニューラルネットワークアーキテクチャなどの多様な分野からインスピレーションを得るアルゴリズムを紹介する。 本稿では,Quantum Boltzmann Machinesを用いてエンコードされたDNA配列を検査する方法を提案する。
  論文  参考訳（メタデータ） (2023-04-21T07:35:49Z)
• Efficient, probabilistic analysis of combinatorial neural codes [0.0]
  ニューラルネットワークは、個々のニューロンの活動の組み合わせの形で入力を符号化する。 これらのニューラルネットワークは、その高次元性としばしば大量のデータのため、計算上の課題を示す。 従来の手法を小さな例に適用し,実験によって生成された大きなニューラルコードに適用する。
  論文  参考訳（メタデータ） (2022-10-19T11:58:26Z)
• Neuro-Symbolic Learning of Answer Set Programs from Raw Data [54.56905063752427]
  Neuro-Symbolic AIは、シンボリックテクニックの解釈可能性と、生データから学ぶ深層学習の能力を組み合わせることを目的としている。 本稿では,ニューラルネットワークを用いて生データから潜在概念を抽出するNSIL(Neuro-Symbolic Inductive Learner)を提案する。 NSILは表現力のある知識を学習し、計算的に複雑な問題を解き、精度とデータ効率の観点から最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-25T12:41:59Z)
• Spatiotemporal Patterns in Neurobiology: An Overview for Future Artificial Intelligence [0.0]
  我々は,ネットワーク相互作用から生じる機能を明らかにする上で,計算モデルが重要なツールであると主張している。 ここでは、スパイキングニューロン、統合ニューロン、発火ニューロンを含むいくつかのモデルのクラスについてレビューする。 これらの研究は、人工知能アルゴリズムの今後の発展と、脳のプロセスの理解の検証に役立つことを願っている。
  論文  参考訳（メタデータ） (2022-03-29T10:28:01Z)
• Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
  ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。 ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。 提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
  論文  参考訳（メタデータ） (2020-08-05T15:45:54Z)

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。