論文の概要: An introduction to computational complexity and statistical learning
theory applied to nuclear models
- arxiv url: http://arxiv.org/abs/2211.06182v1
- Date: Fri, 11 Nov 2022 13:07:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 17:06:12.730985
- Title: An introduction to computational complexity and statistical learning
theory applied to nuclear models
- Title(参考訳): 計算複雑性と統計学習理論の核モデルへの応用
- Authors: Andrea Idini
- Abstract要約: 核物理学は、限られた数の核から推定されるモデルから高い精度を要求する。
学習の統計理論やハミルトンの複雑性など、計算科学のいくつかの概念を紹介します。
質量モデルを所定の精度に外挿するために必要なデータの量について、それらを文脈的に分析します。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The fact that we can build models from data, and therefore refine our models
with more data from experiments, is usually given for granted in scientific
inquiry. However, how much information can we extract, and how precise can we
expect our learned model to be, if we have only a finite amount of data at our
disposal? Nuclear physics demands an high degree of precision from models that
are inferred from the limited number of nuclei that can be possibly made in the
laboratories.
In manuscript I will introduce some concepts of computational science, such
as statistical theory of learning and Hamiltonian complexity, and use them to
contextualise the results concerning the amount of data necessary to
extrapolate a mass model to a given precision.
- Abstract(参考訳): データからモデルを構築することができ、したがって実験からより多くのデータでモデルを洗練できるという事実は、通常科学的な調査で与えられる。
しかし、どれだけの情報を抽出できるのか、学習したモデルがどの程度正確か、もし処理に限られた量のデータしか持たなければ?
核物理学は、実験室で作られる可能性のある限られた数の核から推定されるモデルから高い精度の精度を要求する。
原稿では、学習の統計理論やハミルトニアン複雑性など計算科学のいくつかの概念を紹介し、質量モデルを与えられた精度に推定するために必要なデータ量に関する結果の文脈化に利用する。
関連論文リスト
- Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-10-10T13:23:05Z) - Calibration and generalizability of probabilistic models on low-data
chemical datasets with DIONYSUS [0.0]
我々は、小さな化学データセット上での確率論的機械学習モデルの校正と一般化可能性について広範な研究を行う。
私たちは、さまざまなタスク(バイナリ、回帰)とデータセットにおける予測と不確実性の品質を分析します。
我々は、新しい化学実験において一般的なシナリオである、小さな化学データセットをモデル化するためのモデルと特徴の選択に関する実践的な洞察を提供する。
論文 参考訳(メタデータ) (2022-12-03T08:19:06Z) - Synthetic data enable experiments in atomistic machine learning [0.0]
既存のMLポテンシャルモデルから,原子単位のエネルギーをラベル付けした大規模データセットの使用を実演する。
このプロセスの安価さは、量子力学の土台真実に比べれば、数百万のデータポイントを生成できる。
合成データラベルの学習は、後続の小さなデータセットの微調整に有用な事前学習タスクであることを示す。
論文 参考訳(メタデータ) (2022-11-29T18:17:24Z) - Modular machine learning-based elastoplasticity: generalization in the
context of limited data [0.0]
エラスト塑性の定式化のモジュラリティに頼って,データの変動量に対処できるハイブリッドフレームワークについて論じる。
発見された物質モデルは、よく補間できるだけでなく、トレーニングデータの領域外から熱力学的に一貫した方法で正確な外挿を可能にする。
論文 参考訳(メタデータ) (2022-10-15T17:35:23Z) - Synthetic Model Combination: An Instance-wise Approach to Unsupervised
Ensemble Learning [92.89846887298852]
ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。
専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
論文 参考訳(メタデータ) (2022-10-11T10:20:31Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳(メタデータ) (2022-09-05T16:48:34Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-12-15T20:09:20Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳(メタデータ) (2021-07-07T11:17:09Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳(メタデータ) (2021-04-11T12:14:04Z) - A Bayesian machine scientist to aid in the solution of challenging
scientific problems [0.0]
ベイジアン・マシン・サイエンティストは、モデルよりも正確な辺縁後部への明示的な近似を用いてモデルの妥当性を確立する。
マルコフ連鎖モンテカルロを用いてモデル空間を探索する。
提案手法は,合成および実データの正確なモデルを明らかにし,既存の手法よりも高精度なサンプル外予測を提供する。
論文 参考訳(メタデータ) (2020-04-25T14:42:13Z) - Embedded-physics machine learning for coarse-graining and collective
variable discovery without data [3.222802562733787]
基礎となる物理を一貫して組み込む新しい学習フレームワークを提案する。
原子間力場の形で利用可能な物理学を完全に組み込んだ逆クルバック・リーブラー分岐に基づく新しい目的を提案する。
本研究は,バイモーダルポテンシャルエネルギー関数とアラニンジペプチドに対するCVの予測能力および物理的意義の観点からアルゴリズムの進歩を実証する。
論文 参考訳(メタデータ) (2020-02-24T10:28:41Z)
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。