論文の概要: Astronomia ex machina: a history, primer, and outlook on neural networks
in astronomy
- arxiv url: http://arxiv.org/abs/2211.03796v2
- Date: Fri, 12 May 2023 10:51:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-15 16:11:14.930857
- 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: 我々は天文学における接続性の進化をその3つの波で追跡した。
我々は、天文学的な応用のために微調整されたGPTライクな基礎モデルの採用を論じる。
- 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 this review, we explore the historical development and future prospects of
artificial intelligence (AI) and deep learning in astronomy. We trace the
evolution of connectionism in astronomy through its three waves, from the early
use of multilayer perceptrons, to the rise of convolutional and recurrent
neural networks, and finally to the current era of unsupervised and generative
deep learning methods. With the exponential growth of astronomical data, deep
learning techniques offer an unprecedented opportunity to uncover valuable
insights and tackle previously intractable problems. As we enter the
anticipated fourth wave of astronomical connectionism, we argue for the
adoption of GPT-like foundation models fine-tuned for astronomical
applications. Such models could harness the wealth of high-quality, multimodal
astronomical data to serve state-of-the-art downstream tasks. To keep pace with
advancements driven by Big Tech, we propose a collaborative, open-source
approach within the astronomy community to develop and maintain these
foundation models, fostering a symbiotic relationship between AI and astronomy
that capitalizes on the unique strengths of both fields.
- Abstract（参考訳）: 本稿では,天文学における人工知能(AI)と深層学習の歴史的発展と将来展望について考察する。
天文学におけるコネクショナリズムの進化は、多層パーセプトロンの初期の使用から、畳み込みと繰り返しのニューラルネットワークの台頭、そして最後に教師なしおよび生成的深層学習法の現在の時代まで、その3つの波を通して遡る。
天文学データの指数関数的な成長により、ディープラーニング技術は、貴重な洞察を解明し、それまで難解だった問題に取り組む前例のない機会を提供する。
天文接続の予測4波に入ると、天文学的な応用のために微調整されたGPTライクな基礎モデルの採用を論じる。
このようなモデルは、高品質でマルチモーダルな天文学的なデータを多用し、最先端の下流のタスクに役立てることができる。
ビッグデータが推進する進歩に追随するため、我々は天文学コミュニティ内でこれらの基礎モデルを開発・維持するための協調的オープンソースアプローチを提案し、両方の分野のユニークな強みを生かしたAIと天文学の共生関係を育む。
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。