論文の概要: Astronomia ex machina: a history, primer, and outlook on neural networks in astronomy

• arxiv url: http://arxiv.org/abs/2211.03796v1
• Date: Mon, 7 Nov 2022 19:00:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 17:03:24.170990
• Title: Astronomia ex machina: a history, primer, and outlook on neural networks in astronomy
• Title（参考訳）: Astronomia ex machina:天文学におけるニューラルネットワークの歴史,プライマー,展望
• Authors: Michael J. Smith (Hertfordshire), James E. Geach (Hertfordshire)
• Abstract要約: このレビューでは、我々は今、天文学のやり方を変えつつある深層学習革命の最中であると主張している。 我々は、多層パーセプトロンの初期から、畳み込みと繰り返しのニューラルネットワークの第2波を経て、現在の自己教師型および教師なしディープラーニングの第3波まで、天文学的な接続の歴史を辿った。 このようなモデルは、天文学とコネクショナリズムの共生関係によってのみ実現可能であり、天文学は基礎モデルを訓練するための高品質なマルチモーダルデータを提供し、そこで基礎モデルを用いて天文学研究を進めることができる。
• 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: In recent years, deep learning has infiltrated every field it has touched, reducing the need for specialist knowledge and automating the process of knowledge discovery from data. This review argues that astronomy is no different, and that we are currently in the midst of a deep learning revolution that is transforming the way we do astronomy. We trace the history of astronomical connectionism from the early days of multilayer perceptrons, through the second wave of convolutional and recurrent neural networks, to the current third wave of self-supervised and unsupervised deep learning. We then predict that we will soon enter a fourth wave of astronomical connectionism, in which finetuned versions of an all-encompassing 'foundation' model will replace expertly crafted deep learning models. We argue that such a model can only be brought about through a symbiotic relationship between astronomy and connectionism, whereby astronomy provides high quality multimodal data to train the foundation model, and in turn the foundation model is used to advance astronomical research.
• Abstract（参考訳）: 近年、ディープラーニングは触れたあらゆる分野に浸透し、専門知識の必要性を減らし、データから知識発見のプロセスを自動化している。 このレビューでは、天文学は変わらないし、天文学のやり方を変えつつある深層学習革命の真っ最中にある、と論じています。 我々は、多層パーセプトロンの初期から、畳み込みおよび再帰的なニューラルネットワークの第二波を経て、現在の自己教師なし・教師なし深層学習の第3波まで、天文学的接続の歴史を追跡する。 次に、私たちは間もなく、専門的に作られたディープラーニングモデルを置き換える「基礎」モデルの微調整されたバージョンが、天文学的接続主義の第4の波に入ると予測します。 このようなモデルは、天文学とコネクショナリズムの共生関係を通じてのみもたらされるため、天文学は基礎モデルを訓練するために高品質のマルチモーダルデータを提供し、基礎モデルが天文学研究の進展に使用される。

関連論文リスト

• Can AI Understand Our Universe? Test of Fine-Tuning GPT by Astrophysical Data [6.0108108767559525]
  ChatGPTはここ数ヶ月で最も話題になっているコンセプトで、プロフェッショナルと一般大衆の両方を魅了している。 本稿では、銀河、クエーサー、星、ガンマ線バースト(GRBs)、ブラックホール(BHs)の観測から得られた天文学データを用いて、生成前訓練変圧器モデル(GPT)を微調整する。 我々は、LLMが科学的研究において証明された有効性を示す試験として、これを成功とみなしている。
  論文  参考訳（メタデータ） (2024-04-14T20:52:19Z)
• DeepSpeed4Science Initiative: Enabling Large-Scale Scientific Discovery through Sophisticated AI System Technologies [116.09762105379241]
  DeepSpeed4Scienceは、AIシステム技術革新を通じてユニークな機能を構築することを目指している。 我々は、構造生物学研究における2つの重要なシステム課題に対処するために、DeepSpeed4Scienceで行った初期の進歩を紹介した。
  論文  参考訳（メタデータ） (2023-10-06T22:05:15Z)
• Artificial Intelligence for Science in Quantum, Atomistic, and Continuum Systems [268.585904751315]
  科学のためのAI(AI4Science)として知られる新しい研究領域 領域は、物理世界(波動関数と電子密度)、原子(分子、タンパク質、物質、相互作用)、マクロ(流体、気候、地下)まで理解することを目的としている。 主要な課題は、物理第一原理、特に対称性を深層学習法によって自然システムで捉える方法である。
  論文  参考訳（メタデータ） (2023-07-17T12:14:14Z)
• 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)
• Assessing Exoplanet Habitability through Data-driven Approaches: A Comprehensive Literature Review [0.0]
  レビューは、太陽系外惑星研究における新たなトレンドと進歩を照らすことを目的としている。 太陽系外惑星の検出、分類、可視化の相互作用に焦点を当てる。 太陽系外惑星研究で使用される機械学習アプローチの幅広いスペクトルを記述する。
  論文  参考訳（メタデータ） (2023-05-18T17:18:15Z)
• 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)
• Applications of AI in Astronomy [0.0]
  本稿では、天文学、天体物理学、宇宙論における機械学習(ML)およびその他のAI手法の使用の概要について述べる。 過去10年間で、さまざまなML/AI応用を含む天文学文献が指数関数的に成長してきた。 データの複雑さが増し続ければ、協力的な人間とAIの発見につながるさらなる進歩が期待できる。
  論文  参考訳（メタデータ） (2022-12-03T00:38:59Z)
• Data-driven discovery of non-Newtonian astronomy via learning non-Euclidean Hamiltonian [23.309368900269565]
  非ニュートン天文学のデータ駆動による発見法を提案する。 予備的な結果は,これらの特性がトレーニングの安定性と予測精度において重要であることを示している。
  論文  参考訳（メタデータ） (2022-09-30T20:59:42Z)
• 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)
• 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)
• Advances in Machine and Deep Learning for Modeling and Real-time Detection of Multi-Messenger Sources [21.265580952147594]
  人工知能アルゴリズムを応用し、多核宇宙物理学における計算的大いなる課題に取り組む先駆的な取り組みについて説明します。 本稿では, 科学的可視化と超大規模計算の重要性を考察する。
  論文  参考訳（メタデータ） (2021-05-13T18:00:02Z)

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。