論文の概要: Approach to Data Science with Multiscale Information Theory
- arxiv url: http://arxiv.org/abs/2305.13576v1
- Date: Tue, 23 May 2023 01:08:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 20:01:41.910674
- Title: Approach to Data Science with Multiscale Information Theory
- Title（参考訳）: マルチスケール情報理論を用いたデータサイエンスへのアプローチ
- Authors: Shahid Nawaz, Muhammad Saleem, F. V. Kusmartsev, Dalaver H. Anjum
- Abstract要約: データサイエンスは、大規模で複雑なデータセットから貴重な洞察を抽出する上で重要な役割を果たす、多分野の分野である。
データサイエンスの世界では、情報理論(IT)と統計力学(SM)の2つの基本的な要素がある。
本稿では,このデータサイエンスの枠組みを粒子からなる大規模かつ複雑な機械システムに適用する。
- 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: Data Science is a multidisciplinary field that plays a crucial role in
extracting valuable insights and knowledge from large and intricate datasets.
Within the realm of Data Science, two fundamental components are Information
Theory (IT) and Statistical Mechanics (SM), which provide a theoretical
framework for understanding dataset properties. IT enables efficient storage
and transmission of information, while SM focuses on the behavior of systems
comprising numerous interacting components. In the context of data science, SM
allows us to model complex interactions among variables within a dataset. By
leveraging these tools, data scientists can gain a profound understanding of
data properties, leading to the development of advanced models and algorithms
for analysis and interpretation. Consequently, data science has the potential
to drive accurate predictions and enhance decision-making across various
domains, including finance, marketing, healthcare, and scientific research.
In this paper, we apply this data science framework to a large and intricate
quantum mechanical system composed of particles. Our research demonstrates that
the dynamic and probabilistic nature of such systems can be effectively
addressed using a Multiscale Entropic Dynamics (MED) approach, derived from the
Boltzmann methods of SM. Through the MED approach, we can describe the system's
dynamics by formulating a general form of the Nonlinear Schr\"odinger equation
and how it can be applied to various systems with particles and
quasi-particles, such as electrons, plasmons, polarons, and solitons. By
employing this innovative approach, we pave the way for a deeper understanding
of quantum mechanical systems and their behaviors within complex materials.
- Abstract（参考訳）: データサイエンスは、大規模で複雑なデータセットから貴重な洞察と知識を抽出する上で重要な役割を果たす、多分野の分野である。
データサイエンスの領域内では、情報理論(IT)と統計力学(SM)の2つの基本的な構成要素があり、データセットの性質を理解するための理論的枠組みを提供する。
ITは情報の効率的な保存と送信を可能にし、SMは多数の相互作用コンポーネントからなるシステムの振る舞いに焦点を当てている。
データサイエンスの文脈では、smはデータセット内の変数間の複雑なインタラクションをモデル化できる。
これらのツールを利用することで、データサイエンティストはデータ特性を深く理解することができ、分析と解釈のための高度なモデルとアルゴリズムの開発に繋がる。
その結果、データサイエンスは、財務、マーケティング、医療、科学研究など、さまざまな分野における正確な予測と意思決定を促進する可能性がある。
本稿では,このデータサイエンスの枠組みを,粒子からなる大規模で複雑な量子力学系に適用する。
本研究は,SMのボルツマン法によるマルチスケールエントロピック・ダイナミクス(MED)手法を用いて,そのようなシステムの動的・確率的性質を効果的に扱うことができることを示す。
MEDアプローチを通じて、非線形シュリンガー方程式の一般形式を定式化し、電子、プラズモン、ポーラロン、ソリトンのような粒子や準粒子を持つ様々な系にどのように適用できるかを記述できる。
この革新的なアプローチを採用することで、量子力学系とその挙動を複雑な材料の中でより深く理解する道を開いた。
関連論文リスト
- 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) - A spectrum of physics-informed Gaussian processes for regression in
engineering [0.0]
センサとデータ全般の可用性は向上していますが、純粋なデータ駆動アプローチから多くのサービス内エンジニアリングシステムや構造を完全に特徴づけることはできません。
本稿では、限られたデータで予測モデルを作成する能力を高めるために、機械学習技術と物理に基づく推論の組み合わせを追求する。
論文 参考訳（メタデータ） (2023-09-19T14:39:03Z) - MeLM, a generative pretrained language modeling framework that solves
forward and inverse mechanics problems [0.0]
本稿では, 様々な非線形前方・逆問題の解法として, フレキシブルなマルチモーダル力学言語モデル, MeLM を適用する。
このフレームワークは、バイオインスパイアされた階層的ハニカム設計やカーボンナノチューブ力学など、様々な例に適用されている。
論文 参考訳（メタデータ） (2023-06-30T10:28:20Z) - Learning Latent Dynamics via Invariant Decomposition and
(Spatio-)Temporal Transformers [0.6767885381740952]
本研究では,高次元経験データから力学系を学習する手法を提案する。
我々は、システムの複数の異なるインスタンスからデータが利用できる設定に焦点を当てる。
我々は、単純な理論的分析と、合成および実世界のデータセットに関する広範な実験を通して行動を研究する。
論文 参考訳（メタデータ） (2023-06-21T07:52:07Z) - Dynamic Latent Separation for Deep Learning [67.62190501599176]
機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。
本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
論文 参考訳（メタデータ） (2022-10-07T17:56:53Z) - Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。
物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
論文 参考訳（メタデータ） (2022-03-11T18:27:04Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳（メタデータ） (2022-02-25T20:00:56Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳（メタデータ） (2021-11-02T10:51:42Z) - Probing non-Markovian quantum dynamics with data-driven analysis: Beyond
"black-box" machine learning models [0.0]
オープン量子系の非マルコフ力学の解析に対するデータ駆動型アプローチを提案する。
提案手法では, 環境の有効次元と, 共同系環境量子力学のスペクトルを計測する。
オープン量子システムの様々なモデルを用いて提案手法の性能を実証する。
論文 参考訳（メタデータ） (2021-03-26T14:27:33Z) - Using machine-learning modelling to understand macroscopic dynamics in a
system of coupled maps [0.0]
本稿では,グローバルに結合した地図システムから生じるマクロな動きについて考察する。
我々は、機械学習アプローチと粗粒度プロセスの遷移確率の直接数値計算の両方を用いて、マクロ力学のための粗粒度マルコフプロセスを構築した。
我々は,アトラクタの有効次元,メモリ効果の持続性,ダイナミクスのマルチスケール構造について重要な情報を推測することができる。
論文 参考訳（メタデータ） (2020-11-08T15:38:12Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳（メタデータ） (2020-08-05T15:45:54Z)
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。