論文の概要: Alpha Zero for Physics: Application of Symbolic Regression with Alpha
Zero to find the analytical methods in physics
- arxiv url: http://arxiv.org/abs/2311.12713v3
- Date: Sun, 18 Feb 2024 07:54:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 04:32:34.556976
- Title: Alpha Zero for Physics: Application of Symbolic Regression with Alpha
Zero to find the analytical methods in physics
- Title(参考訳): 物理学におけるAlpha Zero:Alpha Zeroを用いたシンボリック回帰の物理解析への応用
- Authors: Yoshihiro Michishita
- Abstract要約: 我々は,Alpha Zeroアルゴリズムを用いた記号回帰を用いた物理解析手法の開発フレームワークを提案する。
実演として、AZfPはFloquetシステムの高周波展開を導出できることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning with neural networks is now becoming a more and more
powerful tool for various tasks, such as natural language processing, image
recognition, winning the game, and even for the issues of physics. Although
there are many studies on the application of machine learning to numerical
calculation and assistance of experiments, the methods of applying machine
learning to find the analytical method are poorly studied. In this paper, we
propose the frameworks of developing analytical methods in physics by using the
symbolic regression with the Alpha Zero algorithm, that is Alpha Zero for
physics (AZfP). As a demonstration, we show that AZfP can derive the
high-frequency expansion in the Floquet systems. AZfP may have the possibility
of developing a new theoretical framework in physics.
- Abstract(参考訳): ニューラルネットワークによる機械学習は、自然言語処理、画像認識、ゲーム勝利、さらには物理学の問題など、さまざまなタスクのための、ますます強力なツールになりつつある。
機械学習を数値計算や実験の支援に応用する研究は数多く存在するが、解析方法を見つけるために機械学習を適用する方法はあまり研究されていない。
本稿では、アルファゼロアルゴリズム(α zero for physics (azfp))を用いた記号回帰を用いて、物理学における解析手法を開発する枠組みを提案する。
実演として、AZfPはFloquetシステムの高周波展開を導出できることを示す。
AZfPは物理学の新しい理論フレームワークを開発する可能性がある。
関連論文リスト
- PhyRecon: Physically Plausible Neural Scene Reconstruction [83.26912712054391]
我々はPhyReconを紹介した。これは、異なるレンダリングと微分可能な物理シミュレーションを利用して、暗黙的な表面表現を学習する。
本フレームワークは,ニューラル暗黙表現とシームレスに統合された,新しい微分可能なパーティクルベース物理シミュレータを提案する。
我々の再構成結果は、Isaac Gym氏によって検証され、すべてのデータセットで少なくとも40%改善された、優れた物理的安定性をもたらす。
論文 参考訳(メタデータ) (2024-04-25T15:06:58Z) - Building Flexible Machine Learning Models for Scientific Computing at
Scale [36.50343666079548]
我々は科学計算の基礎モデル構築のためのパラダイムシフトアプローチであるOmniArchを紹介する。
包括的なPDEBenchデータセットで事前トレーニングされたOmniArchは、新しいパフォーマンスベンチマークを1D、2D、3D PDE用に設定する。
モデルの表現はさらに逆問題解決にまで拡張され、AI対応科学コンピューティング(AI4SC)の変革の可能性を強調している。
論文 参考訳(メタデータ) (2024-02-25T07:19:01Z) - 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) - Deep symbolic regression for physics guided by units constraints: toward
the automated discovery of physical laws [0.0]
シンボリック回帰(英: Symbolic Regression)は、データに適合する解析式を自動検索するアルゴリズムの研究である。
解析記号表現を物理データから復元するフレームワークである$Phi$-SOを提案する。
論文 参考訳(メタデータ) (2023-03-06T16:47:59Z) - Machine-learning-assisted construction of appropriate rotating frame [0.0]
本稿では,機械学習を用いた解析手法を提案する。
我々は、リカレントニューラルネットワークがFloquet-Magnus拡張を導出できることを実証する。
また,本手法は,他のシステムにおける理論的枠組みの発見にも適用可能であると論じる。
論文 参考訳(メタデータ) (2022-11-28T12:49:47Z) - 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) - Physically Explainable CNN for SAR Image Classification [59.63879146724284]
本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。
提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。
実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
論文 参考訳(メタデータ) (2021-10-27T03:30:18Z) - An extended physics informed neural network for preliminary analysis of
parametric optimal control problems [0.0]
本研究では、パラメトリック偏微分方程式に対する教師付き学習戦略の拡張を提案する。
我々の主な目標は、パラメトリケート現象を短時間でシミュレートする物理情報学習パラダイムを提供することです。
論文 参考訳(メタデータ) (2021-10-26T09:39:05Z) - Hessian-based toolbox for reliable and interpretable machine learning in
physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。
与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。
我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文 参考訳(メタデータ) (2021-08-04T16:32:59Z) - PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable
Physics [89.81550748680245]
PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。
各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。
本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
論文 参考訳(メタデータ) (2021-04-07T17:59:23Z) - Data-Efficient Learning for Complex and Real-Time Physical Problem
Solving using Augmented Simulation [49.631034790080406]
本稿では,大理石を円形迷路の中心まで航行する作業について述べる。
実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
論文 参考訳(メタデータ) (2020-11-14T02:03:08Z)
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。