Fugu-MT 論文翻訳(概要): Celestial Machine Learning: Discovering the Planarity, Heliocentricity, and Orbital Equation of Mars with AI Feynman

論文の概要: Celestial Machine Learning: Discovering the Planarity, Heliocentricity, and Orbital Equation of Mars with AI Feynman

arxiv url: http://arxiv.org/abs/2312.12315v1
Date: Tue, 19 Dec 2023 16:39:32 GMT
ステータス: 処理完了
システム内更新日: 2023-12-20 14:50:28.324558
Title: Celestial Machine Learning: Discovering the Planarity, Heliocentricity, and Orbital Equation of Mars with AI Feynman
Title（参考訳）: Celestial Machine Learning: AI Feynmanによる火星の平面性、ヘリオセンタリティ、軌道方程式の発見
Authors: Zi-Yu Khoo, Gokul Rajiv, Abel Yang, Jonathan Sze Choong Low, St\'ephane Bressan
Abstract要約: ヨハネス・ケプラーは火星の楕円軌道に関する最初の法則を発見するために、2つのパラダイムシフトを必要とした。我々は、火星の軌道のヘリオセンタリティと平面性を発見するために、物理学にインスパイアされたシンボル回帰ツールであるAI Feynmanを拡張した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Can a machine or algorithm discover or learn the elliptical orbit of Mars from astronomical sightings alone? Johannes Kepler required two paradigm shifts to discover his First Law regarding the elliptical orbit of Mars. Firstly, a shift from the geocentric to the heliocentric frame of reference. Secondly, the reduction of the orbit of Mars from a three- to a two-dimensional space. We extend AI Feynman, a physics-inspired tool for symbolic regression, to discover the heliocentricity and planarity of Mars' orbit and emulate his discovery of Kepler's first law.
Abstract（参考訳）: 機械やアルゴリズムは、天文学的な観測だけで火星の楕円軌道を発見し、学べるか? ヨハネス・ケプラーは火星の楕円軌道に関する最初の法則を発見するために、2つのパラダイムシフトを必要とした。まず、ジオセントリックからヘリオセントリックな参照フレームへのシフトである。次に、火星の軌道を3次元空間から2次元空間に還元する。我々は、物理学にヒントを得た記号回帰ツールであるAI Feynmanを拡張し、火星の軌道のヘリオセンタリティと平面性を発見し、ケプラーの最初の法則の発見をエミュレートする。

関連論文リスト

NEOviz: Uncertainty-Driven Visual Analysis of Asteroid Trajectories [41.49140717172804]
我々は、地球近傍の天体の視覚分析において、惑星防衛の専門家を支援するために設計された対話型可視化システムNEOvizを紹介する。特に,小惑星が移動する3次元不確実領域を可視化するための新しいアプローチを提案する。潜在的な影響者に対しては、3D視覚化と不確実性を認識したインパクトマップを組み合わせることで、人間の集団に対する潜在的なリスクを示す。
論文参考訳（メタデータ） (2024-11-05T05:04:12Z)
LONEStar: The Lunar Flashlight Optical Navigation Experiment [1.263953817943144]
本稿では,LONEStar(Lunar flashlight Optical Navigation Experiment with a Star Tracker)の成果について報告する。 2022年12月に打ち上げられたルナ・フラッシュライト(LF)は、NASAが出資した技術実証ミッションである。 2023年8月から12月にかけて、LONEStarチームは軌道上の光学機器の校正を行った。 LONEStarは、惑星の光学観測のみを使用して、軌道上を公転するヘリオ中心航法の最初のデモンストレーションを行った。
論文参考訳（メタデータ） (2024-01-22T18:38:44Z)
Celestial Machine Learning: From Data to Mars and Beyond with AI Feynman [0.0]
機械やアルゴリズムは、ケプラーの最初の法則を天文観測だけで発見または学習できるのか? ヨハネス・ケプラー(Johannes Kepler)による火星の軌道の方程式とルドルフの表を、物理学に触発された記号回帰の道具であるAI Feynmanを用いてエミュレートした。
論文参考訳（メタデータ） (2023-12-15T13:12:49Z)
Revisiting mass-radius relationships for exoplanet populations: a machine learning insight [0.0]
我々は効率的な機械学習手法を用いて、762個の太陽系外惑星と8個の太陽系外惑星からなるデータセットを解析した。異なる教師なしクラスタリングアルゴリズムを適用することで、データを「小さい」惑星と「巨大な」惑星の2つの分類に分類する。我々の分析は、惑星の質量、軌道周期、恒星質量が太陽系外惑星半径を予測する重要な役割を担っていることを強調している。
論文参考訳（メタデータ） (2023-01-17T19:15:06Z)
Enabling Astronaut Self-Scheduling using a Robust Advanced Modelling and Scheduling system: an assessment during a Mars analogue mission [44.621922701019336]
アナログ宇宙飛行士の乗組員によるコンピュータ意思決定支援ツールの使用について検討した。提案されたツールはRomieと呼ばれ、Robost Advanced Modelling and Scheduling (RAMS)システムの新しいカテゴリに属している。
論文参考訳（メタデータ） (2023-01-14T21:10:05Z)
Rediscovering orbital mechanics with machine learning [1.2999518604217852]
私たちは、30年間の軌道データから、太陽系の太陽、惑星、そして大きな衛星のダイナミクスをシミュレートするために「グラフニューラルネットワーク」を訓練します。次に,ニューラルネットワークによって暗黙的に学習された力法則の解析式を発見するために,記号回帰を用いた。
論文参考訳（メタデータ） (2022-02-04T18:44:21Z)
Machine Learning for Mars Exploration [0.0]
火星探査の一部は、火星探査機マーズ・エクスプレス・オービター(Mars Express Orbiter)やマーズ・ローバー(Mars rovers)などの宇宙船による火星データの自動収集と分析を通じて行われた。これらの火星探査宇宙船や地球上で、これらの車両が収集したデータを分析するために使われる自律性は、主に機械学習から成り立っている。火星探査のための機械学習技術のさらなる応用は、惑星間探査の通信制限と人間のリスクを解決する可能性がある。
論文参考訳（メタデータ） (2021-11-22T21:11:42Z)
Towards Robust Monocular Visual Odometry for Flying Robots on Planetary Missions [49.79068659889639]
火星に着陸したばかりのIngenuityは、トラバーサビリティの影響を受けない新時代の探検の始まりとなるでしょう。高速な光フロートラッキングを用いた高能率単分子オードメトリーアルゴリズムを提案する。また、相対翻訳情報行列の主成分分析に基づいて、スケールドリフトの現在のリスクを推定する新しい手法を提案する。
論文参考訳（メタデータ） (2021-09-12T12:52:20Z)
Machine Learning for Vibrational Spectroscopy via Divide-and-Conquer Semiclassical Initial Value Representation Molecular Dynamics with Application to N-Methylacetamide [56.515978031364064]
核振動空間を部分空間に分割する機械学習アルゴリズムを導入する。部分分割基準は、リウヴィルの定理、すなわち減次元ジャコビアン行列式のユニタリの最良の保存に基づいている。このアルゴリズムは12-原子トランス-N-メチルアセトアミドのパワースペクトルの分割・対数半古典計算に適用される。
論文参考訳（メタデータ） (2021-01-11T14:47:33Z)
Topological Sweep for Multi-Target Detection of Geostationary Space Objects [43.539256589118644]
我々の研究は、静止軌道(GEO)における人工物体の光学的検出に焦点を当てている。 GEO物体検出は、明るい恒星の散らばりの中で小さな点として現れるターゲットの距離のために困難である。本稿では,光画像の短いシーケンスからGEOオブジェクトを見つけるために,トポロジカルスイープに基づく新しいマルチターゲット検出手法を提案する。
論文参考訳（メタデータ） (2020-03-21T06:00:41Z)
Proposal for an optical interferometric measurement of the gravitational red-shift with satellite systems [52.77024349608834]
アインシュタイン等価原理(Einstein Equivalence Principle,EEP)は、重力のすべての計量理論を基盤とする。象徴的な重力赤方偏移実験は、2つのフェルミオン系(時計として使われる)を異なる重力ポテンシャルに配置する。衛星大距離光干渉測定実験の実装における基本的な点は、一階ドップラー効果の抑制である。本研究では,地上局と衛星の双方向構成において,一方向の位相シフトを減らして抑制する新しい手法を提案する。
論文参考訳（メタデータ） (2018-11-12T16:25:57Z)

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。