論文の概要: Machine learning for discovering laws of nature
- arxiv url: http://arxiv.org/abs/2303.17607v1
- Date: Sat, 18 Mar 2023 07:31:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-09 05:52:54.338180
- Title: Machine learning for discovering laws of nature
- Title（参考訳）: 自然法則発見のための機械学習
- Authors: Lizhi Xin, Kevin Xin, Houwen Xin
- Abstract要約: 本研究では,ダーウィンの自然選択に基づく自然法則を記述・理解するための計算モデルを提案する。
私たちは通常の関数や微分方程式ではなく、状態決定木と値関数木でモデル化します。
提案するアルゴリズムモデルは,観測された歴史的データのみを学習することで自然の法則を発見する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A microscopic particle obeys the principles of quantum mechanics -- so where
is the sharp boundary between the macroscopic and microscopic worlds? It was
this "interpretation problem" that prompted Schr\"odinger to propose his famous
thought experiment (a cat that is simultaneously both dead and alive) and
sparked a great debate about the quantum measurement problem, and there is
still no satisfactory answer yet. This is precisely the inadequacy of rigorous
mathematical models in describing the laws of nature. We propose a
computational model to describe and understand the laws of nature based on
Darwin's natural selection. In fact, whether it's a macro particle, a micro
electron or a security, they can all be considered as an entity, the change of
this entity over time can be described by a data series composed of states and
values. An observer can learn from this data series to construct theories
(usually consisting of functions and differential equations). We don't model
with the usual functions or differential equations, but with a state Decision
Tree (determines the state of an entity) and a value Function Tree (determines
the distance between two points of an entity). A state Decision Tree and a
value Function Tree together can reconstruct an entity's trajectory and make
predictions about its future trajectory. Our proposed algorithmic model
discovers laws of nature by only learning observed historical data (sequential
measurement of observables) based on maximizing the observer's expected value.
There is no differential equation in our model; our model has an emphasis on
machine learning, where the observer builds up his/her experience by being
rewarded or punished for each decision he/she makes, and eventually leads to
rediscovering Newton's law, the Born rule (quantum mechanics) and the efficient
market hypothesis (financial market).
- Abstract（参考訳）: 微視的粒子は量子力学の原理に従う。そこで、マクロと微視的世界の境界線はどこにあるのか?
この「解釈問題」がシュリンガーに彼の有名な思考実験(死と生存の両方を同時に行う猫)を提案しさせ、量子測定問題に関する大きな議論を引き起こし、まだ満足できる答えは得られていない。
これは自然の法則を記述するための厳密な数学的モデルの不適切さである。
本研究では,自然選択に基づく自然法則を記述・理解するための計算モデルを提案する。
実際、それがマクロ粒子であれ、マイクロ電子であれ、セキュリティであれ、すべて実体と見なすことができ、時間とともにこの実体が変わることは、状態と値からなるデータシリーズによって説明できる。
観測者は、このデータ系列から理論(通常関数と微分方程式からなる)を構築することができる。
私たちは通常の関数や微分方程式ではなく、状態決定木(エンティティの状態を決定する)と値関数木(エンティティの2つの点の間の距離を決定する)でモデル化します。
状態決定木と値関数木は、エンティティの軌道を再構築し、その将来の軌道について予測することができる。
提案手法は観測者の期待値の最大化に基づいて観測された歴史的データ(観測対象の逐次測定)のみを学習することにより自然法則を発見する。
我々のモデルには微分方程式は存在せず、我々のモデルは機械学習に重点を置いており、オブザーバーは自身の決定ごとに報奨や罰を受け、最終的にはニュートンの法則、ボルンの法則(量子力学)、効率的な市場仮説(金融市場)を再発見する。
関連論文リスト
- Automated Explanation Selection for Scientific Discovery [0.0]
本稿では,機械学習と自動推論を組み合わせた科学的発見のサイクルを提案する。
本稿では,社会学と認知科学の知見に基づく説明選択問題の分類について述べる。
論文 参考訳（メタデータ） (2024-07-24T17:41:32Z) - Nature-Inspired Local Propagation [68.63385571967267]
自然学習プロセスは、データの表現と学習が局所性を尊重するような方法で交わされるメカニズムに依存している。
ハミルトン方程式の構造を導出した「学習の法則」のアルゴリズム的解釈は、伝播の速度が無限大になるときにバックプロパゲーションに還元されることを示す。
これにより、バックプロパゲーションと提案されたローカルアルゴリズムの置き換えに基づく完全なオンライン情報に基づく機械学習への扉が開く。
論文 参考訳（メタデータ） (2024-02-04T21:43:37Z) - Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳（メタデータ） (2023-12-01T05:20:57Z) - Morphological Computing as Logic Underlying Cognition in Human, Animal,
and Intelligent Machine [1.14219428942199]
この研究は、論理学、数学、物理学、化学、生物学、認知を結びつけるスキームを提示している。
代理店の固有の論理は、情報交換の下で様々なレベルで自然過程に存在する。
論文 参考訳（メタデータ） (2023-09-25T09:31:25Z) - Quantum measurement: a game between observer and nature? [0.0]
本稿では,量子計測におけるオブザーバの役割を説明するための量子決定理論を提案する。
我々は、観察者が自然とゲームをし、その経験に基づいて自然を「デコード」することで、外界の経験を築き上げていると信じている。
論文 参考訳（メタデータ） (2022-10-30T07:57:58Z) - Social Interpretable Tree for Pedestrian Trajectory Prediction [75.81745697967608]
本稿では,このマルチモーダル予測課題に対処するため,SIT(Social Interpretable Tree)と呼ばれる木に基づく手法を提案する。
木の根から葉までの経路は、個々の将来の軌跡を表す。
ETH-UCYとStanford Droneのデータセットによる実験結果からは,手作り木にもかかわらず,我々の手法が最先端の手法の性能に適合または超えることを示した。
論文 参考訳（メタデータ） (2022-05-26T12:18:44Z) - 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) - Rectified Decision Trees: Exploring the Landscape of Interpretable and
Effective Machine Learning [66.01622034708319]
我々は,reDT(rerectified decision tree)と呼ばれる知識蒸留に基づく決定木拡張を提案する。
我々は,ソフトラベルを用いたトレーニングを可能にする標準決定木の分割基準と終了条件を拡張した。
次に,教師モデルから抽出したソフトラベルに基づいて,新しいジャックニフェ法を用いてReDTを訓練する。
論文 参考訳（メタデータ） (2020-08-21T10:45:25Z) - MurTree: Optimal Classification Trees via Dynamic Programming and Search [61.817059565926336]
動的プログラミングと探索に基づいて最適な分類木を学習するための新しいアルゴリズムを提案する。
当社のアプローチでは,最先端技術が必要とする時間のごく一部しか使用せず,数万のインスタンスでデータセットを処理することが可能です。
論文 参考訳（メタデータ） (2020-07-24T17:06:55Z) - Born-Again Tree Ensembles [9.307453801175177]
ツリーアンサンブルは、様々な領域で優れた予測品質を提供するが、複数のツリーの同時使用により、アンサンブルの解釈可能性が低下する。
本研究では,その特徴空間全体において,与えられたツリーのアンサンブルと全く同じ振る舞いを再現する,最小サイズの1つの決定木を構築する過程について検討する。
このアルゴリズムは、実践的な関心のある多くのデータセットに対して最適な生長木を生成する。
論文 参考訳（メタデータ） (2020-03-24T22:17:21Z) - Trees and Forests in Nuclear Physics [77.34726150561087]
決定木を用いて特徴工学を行うことにより,古典的な液滴核質量モデルの精度を向上させる方法を示す。
本手法をDuflo-Zukerモデルに適用し,その単純さにもかかわらず,決定木は限られた数の自由パラメータを用いて核質量の記述を改善することができることを示した。
論文 参考訳（メタデータ） (2020-02-24T14:47:33Z)
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。