論文の概要: Learning One Abstract Bit at a Time Through Self-Invented Experiments Encoded as Neural Networks

• arxiv url: http://arxiv.org/abs/2212.14374v1
• Date: Thu, 29 Dec 2022 17:11:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 15:39:06.922635
• Title: Learning One Abstract Bit at a Time Through Self-Invented Experiments Encoded as Neural Networks
• Title（参考訳）: ニューラルネットワークとして符号化された自己発明実験を通して1つの抽象ビットをリアルタイムで学習する
• Authors: Vincent Herrmann, Louis Kirsch, J\"urgen Schmidhuber
• Abstract要約: 興味ある実験の自動生成に関する実験的検討を行った。 まず, 補強環境における自己発明実験について検討した。 2つ目の設定では、リカレントニューラルネットワークの重みとして純粋な思考実験が実施される。
• 参考スコア（独自算出の注目度）: 8.594140167290098
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There are two important things in science: (A) Finding answers to given questions, and (B) Coming up with good questions. Our artificial scientists not only learn to answer given questions, but also continually invent new questions, by proposing hypotheses to be verified or falsified through potentially complex and time-consuming experiments, including thought experiments akin to those of mathematicians. While an artificial scientist expands its knowledge, it remains biased towards the simplest, least costly experiments that still have surprising outcomes, until they become boring. We present an empirical analysis of the automatic generation of interesting experiments. In the first setting, we investigate self-invented experiments in a reinforcement-providing environment and show that they lead to effective exploration. In the second setting, pure thought experiments are implemented as the weights of recurrent neural networks generated by a neural experiment generator. Initially interesting thought experiments may become boring over time.
• Abstract（参考訳）: 科学には2つの重要な点がある: (A) 与えられた質問に対する回答を見つけること、(B) 良い質問に直面すること。 我々の人工科学者は与えられた質問に答えることを学ぶだけでなく、数学者に似た思考実験を含む潜在的に複雑で時間を要する実験を通じて仮説を検証または偽装することを提案し、新しい質問を継続的に発明する。 人工科学者はその知識を拡大する一方で、退屈になるまで驚くべき結果をもたらす最も単純で費用のかかる実験に偏っている。 本稿では,興味深い実験の自動生成に関する経験的分析を行う。 まず,強化環境下での自己発明実験について検討し,効果的に探索できることを示す。 第2の設定では、純粋思考実験は、神経実験生成器によって生成された繰り返しニューラルネットワークの重みとして実装される。 当初、興味深い思考実験は時間とともに退屈になるかもしれない。

関連論文リスト

• LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
  本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。 本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。 法発見と分子設計における枠組みの有効性を実証するための実験を行った。
  論文  参考訳（メタデータ） (2024-05-16T03:04:10Z)
• Content and structure of laboratory packages for software engineering experiments [1.3584003182788122]
  本稿では,実験の再現を成功させるためには,どのような情報が必要なのかを明らかにするために,実験複製プロセスについて検討する。 本研究の目的は,ソフトウェア工学実験のための実験室パッケージの内容と構造を提案することである。
  論文  参考訳（メタデータ） (2024-02-11T14:29:15Z)
• Large Language Models for Automated Open-domain Scientific Hypotheses Discovery [50.40483334131271]
  本研究は,社会科学の学術的仮説発見のための最初のデータセットを提案する。 従来のデータセットとは異なり、新しいデータセットには、(1)オープンドメインデータ(RAW Webコーパス)を観察として使用すること、(2)人間性にさらに新しい仮説を提案することが必要である。 パフォーマンス向上のための3つのフィードバック機構を含む,タスクのためのマルチモジュールフレームワークが開発されている。
  論文  参考訳（メタデータ） (2023-09-06T05:19:41Z)
• GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
  我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。 GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。 我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
  論文  参考訳（メタデータ） (2023-02-01T17:29:43Z)
• PyExperimenter: Easily distribute experiments and track results [63.871474825689134]
  PyExperimenterは、アルゴリズムの実験的な研究結果のセットアップ、ドキュメンテーション、実行、およびその後の評価を容易にするツールである。 人工知能の分野で研究者が使用することを意図しているが、それらに限定されていない。
  論文  参考訳（メタデータ） (2023-01-16T10:43:02Z)
• Observing Interventions: A logic for thinking about experiments [62.997667081978825]
  本稿では,実験から学ぶ論理への第一歩について述べる。 我々のアプローチにとって重要なことは、介入の概念が(現実的または仮説的な)実験の形式的表現として使用できるという考えである。 提案された全ての論理系に対して、健全で完全な公理化を提供する。
  論文  参考訳（メタデータ） (2021-11-25T09:26:45Z)
• Inductive Biases for Deep Learning of Higher-Level Cognition [108.89281493851358]
  興味深い仮説は、人間と動物の知性はいくつかの原則によって説明できるということである。 この研究は、主に高いレベルとシーケンシャルな意識的処理に関心のある人を中心に、より大きなリストを考察する。 これらの特定の原則を明確にする目的は、人間の能力から恩恵を受けるAIシステムを構築するのに役立つ可能性があることである。
  論文  参考訳（メタデータ） (2020-11-30T18:29:25Z)
• Scientific intuition inspired by machine learning generated hypotheses [2.294014185517203]
  私たちは、機械学習モデル自体が得る洞察と知識に焦点を移します。 決定木では, 化学や物理から, ビッグデータから人間の解釈可能な洞察を抽出するために, 勾配増進法を適用した。 数値を超える能力は、機械学習を使って概念理解の発見を加速する扉を開く。
  論文  参考訳（メタデータ） (2020-10-27T12:12:12Z)
• Autonomous Materials Discovery Driven by Gaussian Process Regression with Inhomogeneous Measurement Noise and Anisotropic Kernels [1.976226676686868]
  実験分野の大半は、新しい科学的発見を探すために、大規模で高次元のパラメータ空間を探索するという課題に直面している。 近年の進歩により、探査プロセスの自動化が進み、材料発見の効率が向上した。 ガンマプロセス回帰(GPR)技術は多くの種類の実験を操る方法として登場した。
  論文  参考訳（メタデータ） (2020-06-03T19:18:47Z)
• Optimal Learning for Sequential Decisions in Laboratory Experimentation [0.0]
  このチュートリアルは、実験科学者に意思決定の科学の基礎を提供することを目的としている。 学習政策の概念を導入し,主要な政策カテゴリを概観する。 次に、知識勾配と呼ばれるポリシーを導入し、各実験からの情報の価値を最大化する。
  論文  参考訳（メタデータ） (2020-04-11T14:53:29Z)
• Computer-inspired Quantum Experiments [1.2891210250935146]
  多くの分野において、コンピュータにインスパイアされた設計プロセスは、逆設計としても知られ、科学者の能力を高めている。 我々は、トポロジ的最適化、進化戦略、ディープラーニング、強化学習、自動推論に基づく、非常に多様な計算アプローチに遭遇する。
  論文  参考訳（メタデータ） (2020-02-23T18:59:00Z)

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。