論文の概要: Deep Learning and Computational Physics (Lecture Notes)

• arxiv url: http://arxiv.org/abs/2301.00942v1
• Date: Tue, 3 Jan 2023 03:56:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 15:34:00.192786
• Title: Deep Learning and Computational Physics (Lecture Notes)
• Title（参考訳）: 深層学習と計算物理(講義ノート)
• Authors: Deep Ray, Orazio Pinti, Assad A. Oberai
• Abstract要約: ノートは、応用数学の強い背景を持つ典型的な工学の大学院生にアクセスできるべきである。 深層学習アルゴリズムの理解を深めるために、計算物理学の概念を使う。 いくつかの新しいディープラーニングアルゴリズムは、計算物理学の難解な問題を解くのに使える。
• 参考スコア（独自算出の注目度）: 0.5156484100374059
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: These notes were compiled as lecture notes for a course developed and taught at the University of the Southern California. They should be accessible to a typical engineering graduate student with a strong background in Applied Mathematics. The main objective of these notes is to introduce a student who is familiar with concepts in linear algebra and partial differential equations to select topics in deep learning. These lecture notes exploit the strong connections between deep learning algorithms and the more conventional techniques of computational physics to achieve two goals. First, they use concepts from computational physics to develop an understanding of deep learning algorithms. Not surprisingly, many concepts in deep learning can be connected to similar concepts in computational physics, and one can utilize this connection to better understand these algorithms. Second, several novel deep learning algorithms can be used to solve challenging problems in computational physics. Thus, they offer someone who is interested in modeling a physical phenomena with a complementary set of tools.
• Abstract（参考訳）: これらのノートは南カリフォルニア大学で開発・教育されたコースの講義ノートとしてまとめられた。 応用数学に強い背景を持つ、典型的な工学の大学院生にアクセスできるべきである。 これらのノートの主な目的は、線形代数や偏微分方程式の概念に精通した学生を紹介し、深層学習におけるトピックを選択することである。 これらの講義ノートは、深層学習アルゴリズムと従来の計算物理学の技法との強いつながりを利用して、2つの目標を達成する。 まず、計算物理学の概念を用いて深層学習アルゴリズムの理解を深める。 驚くべきことに、ディープラーニングの多くの概念は計算物理学の同様の概念と結びつくことができ、これらのアルゴリズムをよりよく理解するためにこの接続を利用することができる。 第二に、いくつかの新しいディープラーニングアルゴリズムは、計算物理学における難しい問題を解決するために使用できる。 したがって、補完的なツールセットで物理現象をモデル化することに興味のある人を提供する。

関連論文リスト

• Mathematical theory of deep learning [0.46040036610482665]
  これは近似理論、最適化理論、統計学習理論の基本的な結果をカバーしている。 本書は,本トピックに関する基礎知識を読者に提供することを目的としている。
  論文  参考訳（メタデータ） (2024-07-25T20:37:12Z)
• Mathematics of Neural Networks (Lecture Notes Graduate Course) [0.0]
  このコースは、大学院レベルの数学の学生のためのニューラルネットワークの導入を目的としている。 講義ノートは、適度な数学のバックグラウンドを持つすべての学生にアクセスできるよう、可能な限り自己完結型にされた。 このコースには、Jupyterノートブックのセットという形でのコーディングチュートリアルや課題も含まれていた。
  論文  参考訳（メタデータ） (2024-03-06T08:45:29Z)
• Mathematical Introduction to Deep Learning: Methods, Implementations, and Theory [4.066869900592636]
  この本は、ディープラーニングアルゴリズムのトピックについて紹介することを目的としている。 本稿では,ディープラーニングアルゴリズムの本質的構成要素を数学的に詳細に概説する。
  論文  参考訳（メタデータ） (2023-10-31T11:01:23Z)
• Towards a Holistic Understanding of Mathematical Questions with Contrastive Pre-training [65.10741459705739]
  本稿では,数学的問題表現,すなわち QuesCo に対する対照的な事前学習手法を提案する。 まず、コンテンツレベルと構造レベルを含む2段階の質問強化を設計し、類似した目的で文字通り多様な質問ペアを生成する。 そこで我々は,知識概念の階層的情報を完全に活用するために,知識階層を意識したランク戦略を提案する。
  論文  参考訳（メタデータ） (2023-01-18T14:23:29Z)
• A Survey of Deep Learning for Mathematical Reasoning [71.88150173381153]
  我々は過去10年間の数学的推論とディープラーニングの交差点における重要なタスク、データセット、方法についてレビューする。 大規模ニューラルネットワークモデルの最近の進歩は、新しいベンチマークと、数学的推論にディープラーニングを使用する機会を開放している。
  論文  参考訳（メタデータ） (2022-12-20T18:46:16Z)
• From Quantum Graph Computing to Quantum Graph Learning: A Survey [86.8206129053725]
  まず、量子力学とグラフ理論の相関関係について、量子コンピュータが有用な解を生成できることを示す。 本稿では,その実践性と適用性について,一般的なグラフ学習手法について概説する。 今後の研究の触媒として期待される量子グラフ学習のスナップショットを提供する。
  論文  参考訳（メタデータ） (2022-02-19T02:56:47Z)
• The Physics of Machine Learning: An Intuitive Introduction for the Physical Scientist [0.0]
  この記事では、機械学習アルゴリズムに関する深い洞察を得たいと願う物理科学者を対象としている。 まず、エネルギーベースの2つの機械学習アルゴリズム、ホップフィールドネットワークとボルツマンマシンのレビューと、Isingモデルとの関係について述べる。 次に、フィードフォワードニューラルネットワーク、畳み込みニューラルネットワーク、オートエンコーダを含む、さらに"実践的"な機械学習アーキテクチャを掘り下げます。
  論文  参考訳（メタデータ） (2021-11-27T15:12:42Z)
• Physics-based Deep Learning [22.248409468073145]
  デジタルブックには、物理シミュレーションの文脈におけるディープラーニングに関するあらゆることに関する実践的で包括的な紹介が含まれている。 Jupyterノートブックという形で手書きのコード例を加えて、すぐに始める。 データからの標準的な教師付き学習以外にも、物理的損失の制約、より密結合した学習アルゴリズムと微分可能なシミュレーション、強化学習と不確実性モデリングについても検討する。
  論文  参考訳（メタデータ） (2021-09-11T09:38:02Z)
• Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
  機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。 ディープラーニングは、独自の機械学習のサブフィールドになっている。 生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
  論文  参考訳（メタデータ） (2021-05-29T21:02:44Z)
• Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges [50.22269760171131]
  過去10年間、データサイエンスと機械学習の実験的な革命が、ディープラーニングの手法によって生まれた。 このテキストは、統一幾何学的原理によって事前に定義された規則性を公開することに関するものである。 CNN、RNN、GNN、Transformersなど、最も成功したニューラルネットワークアーキテクチャを研究するための一般的な数学的フレームワークを提供する。
  論文  参考訳（メタデータ） (2021-04-27T21:09:51Z)
• Spiking Neural Networks Hardware Implementations and Challenges: a Survey [53.429871539789445]
  スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。 スパイキングニューラルネットワークのハードウェア実装の現状について述べる。 本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
  論文  参考訳（メタデータ） (2020-05-04T13:24:00Z)

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。