論文の概要: FAIR AI Models in High Energy Physics
- arxiv url: http://arxiv.org/abs/2212.05081v1
- Date: Fri, 9 Dec 2022 19:00:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 18:34:41.916079
- Title: FAIR AI Models in High Energy Physics
- Title（参考訳）: 高エネルギー物理におけるFAIRAIモデル
- Authors: Javier Duarte and Haoyang Li and Avik Roy and Ruike Zhu and E. A.
Huerta and Daniel Diaz and Philip Harris and Raghav Kansal and Daniel S. Katz
and Ishaan H. Kavoori and Volodymyr V. Kindratenko and Farouk Mokhtar and
Mark S. Neubauer and Sang Eon Park and Melissa Quinnan and Roger Rusack and
Zhizhen Zhao
- Abstract要約: 我々は、AIモデルのためのFAIR原則の実践的定義を提案し、FAIR AIプロジェクトテンプレートを作成する。
我々は、これらのFAIR AIモデルの堅牢性と、ハードウェアアーキテクチャやソフトウェアフレームワーク間のポータビリティについて検討する。
これらの研究は、信頼性と自動化されたAI駆動科学発見への道を開いた。
- 参考スコア（独自算出の注目度）: 30.920467027469922
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The findable, accessible, interoperable, and reusable (FAIR) data principles
have provided a framework for examining, evaluating, and improving how we share
data with the aim of facilitating scientific discovery. Efforts have been made
to generalize these principles to research software and other digital products.
Artificial intelligence (AI) models -- algorithms that have been trained on
data rather than explicitly programmed -- are an important target for this
because of the ever-increasing pace with which AI is transforming scientific
and engineering domains. In this paper, we propose a practical definition of
FAIR principles for AI models and create a FAIR AI project template that
promotes adherence to these principles. We demonstrate how to implement these
principles using a concrete example from experimental high energy physics: a
graph neural network for identifying Higgs bosons decaying to bottom quarks. We
study the robustness of these FAIR AI models and their portability across
hardware architectures and software frameworks, and report new insights on the
interpretability of AI predictions by studying the interplay between FAIR
datasets and AI models. Enabled by publishing FAIR AI models, these studies
pave the way toward reliable and automated AI-driven scientific discovery.
- Abstract（参考訳）: findable, access, interoperable, and reusable (fair) データ原則は、科学的発見を促進する目的でデータの共有方法を検証、評価、改善するためのフレームワークを提供している。
これらの原則をソフトウェアや他のデジタル製品の研究に一般化する努力がなされている。
人工知能(AI)モデル -- 明示的にプログラムされるのではなく、データに基づいてトレーニングされたアルゴリズム -- は、AIが科学と工学の領域を変革するペースが続いているため、この目標にとって重要なものだ。
本稿では、AIモデルに対するFAIR原則の実践的定義を提案し、これらの原則の遵守を促進するFAIRAIプロジェクトテンプレートを作成する。
実験高エネルギー物理学の具体例を用いて,ヒッグス粒子を底クォークに崩壊させるグラフニューラルネットワークを用いて,これらの原理の実装方法を示す。
我々は、これらのFAIR AIモデルの堅牢性とハードウェアアーキテクチャとソフトウェアフレームワーク間のポータビリティについて検討し、FAIRデータセットとAIモデルの相互作用を研究することによって、AI予測の解釈可能性に関する新たな知見を報告する。
FAIR AIモデルを公開することで、これらの研究は信頼性と自動化されたAI駆動科学発見への道を開いた。
関連論文リスト
- AI-Aided Kalman Filters [65.35350122917914]
カルマンフィルタ(KF)とその変種は、信号処理において最も著名なアルゴリズムの一つである。
最近の進歩は、古典的なカルマン型フィルタリングでディープニューラルネットワーク(DNN)を融合させる可能性を示している。
本稿では,KF型アルゴリズムにAIを組み込むための設計アプローチについて,チュートリアル形式で概説する。
論文 参考訳（メタデータ） (2024-10-16T06:47:53Z) - Can Kans (re)discover predictive models for Direct-Drive Laser Fusion? [11.261403205522694]
レーザー融合の領域は、機械学習手法のためのユニークで挑戦的な予測モデリングアプリケーションランドスケープを示す。
データ駆動型アプローチは、物理学の期待に沿う望ましい一般化能力とモデル解釈を達成するために、過去に成功してきた。
本研究では,新しいタイプのデータ駆動予測モデルの開発において,PILの代替としてKAN(Kolmogorov-Arnold Networks)を用いた。
論文 参考訳（メタデータ） (2024-09-13T13:48:06Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳（メタデータ） (2024-02-20T15:23:24Z) - 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) - A Comprehensive Performance Study of Large Language Models on Novel AI
Accelerators [2.88634411143577]
大規模言語モデル(LLM)は、いくつかの課題に対処するための有望なアプローチと考えられている。
専門のAIアクセラレータハードウェアシステムは、最近、AIアプリケーションの高速化に利用できるようになった。
論文 参考訳（メタデータ） (2023-10-06T21:55:57Z) - AI-Generated Images as Data Source: The Dawn of Synthetic Era [61.879821573066216]
生成AIは、現実世界の写真によく似た合成画像を作成する可能性を解き放った。
本稿では、これらのAI生成画像を新しいデータソースとして活用するという革新的な概念を探求する。
実際のデータとは対照的に、AI生成データには、未整合のアブリダンスやスケーラビリティなど、大きなメリットがある。
論文 参考訳（メタデータ） (2023-10-03T06:55:19Z) - FAIR principles for AI models, with a practical application for
accelerated high energy diffraction microscopy [1.9270896986812693]
我々は、統合された計算フレームワーク内でFAIRデータとAIモデルを作成し、共有する方法を紹介します。
ドメインに依存しないこの計算フレームワークが、自律的なAI駆動の発見を可能にする方法について説明する。
論文 参考訳（メタデータ） (2022-07-01T18:11:12Z) - DIME: Fine-grained Interpretations of Multimodal Models via Disentangled
Local Explanations [119.1953397679783]
我々は,マルチモーダルモデルの解釈における最先端化に注力する。
提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
論文 参考訳（メタデータ） (2022-03-03T20:52:47Z) - A Model-Driven Engineering Approach to Machine Learning and Software
Modeling [0.5156484100374059]
モデルは、ソフトウェア工学(SE)と人工知能(AI)のコミュニティで使われている。
主な焦点はIoT(Internet of Things)とCPS(Smart Cyber-Physical Systems)のユースケースである。
論文 参考訳（メタデータ） (2021-07-06T15:50:50Z) - Complete CVDL Methodology for Investigating Hydrodynamic Instabilities [0.49873153106566565]
流体力学において、最も重要な研究分野の1つは流体力学の不安定性と異なる流れ状態におけるその進化である。
現在、そのような現象、すなわち分析モデル、実験、シミュレーションを理解するために3つの主要な手法が使用されている。
我々は、この研究の大部分が、Deep Learning(CVDL、Deep Computer-Vision)の分野における最近の画期的な進歩を用いて、分析されるべきであると主張している。
具体的には、最も代表的な不安定性であるRayleigh-Taylorの研究に焦点をあて、その振る舞いをシミュレートし、オープンソースの状態を作り出す。
論文 参考訳（メタデータ） (2020-04-03T13:52:04Z) - A general framework for scientifically inspired explanations in AI [76.48625630211943]
我々は、AIシステムの説明を実装可能な一般的なフレームワークの理論的基盤として、科学的説明の構造の概念をインスタンス化する。
このフレームワークは、AIシステムの"メンタルモデル"を構築するためのツールを提供することを目的としている。
論文 参考訳（メタデータ） (2020-03-02T10:32:21Z)
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。