論文の概要: Symbolic Equation Solving via Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2401.13447v1
- Date: Wed, 24 Jan 2024 13:42:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-25 14:29:18.550861
- Title: Symbolic Equation Solving via Reinforcement Learning
- Title(参考訳): 強化学習による記号方程式解法
- Authors: Lennart Dabelow and Masahito Ueda
- Abstract要約: 機械学習の手法は、様々な社会的、経済的、科学的文脈で徐々に採用されている。
本稿では,線形方程式を記号形式で解くというパラダイム的な例に焦点をあてる。
本稿では,ニューラルネットワークを用いた強化学習を用いて,基本変換規則とステップバイステップの解を求めるプロセスの自動化を実証する。
- 参考スコア(独自算出の注目度): 11.059341532498635
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine-learning methods are gradually being adopted in a great variety of
social, economic, and scientific contexts, yet they are notorious for
struggling with exact mathematics. A typical example is computer algebra, which
includes tasks like simplifying mathematical terms, calculating formal
derivatives, or finding exact solutions of algebraic equations. Traditional
software packages for these purposes are commonly based on a huge database of
rules for how a specific operation (e.g., differentiation) transforms a certain
term (e.g., sine function) into another one (e.g., cosine function). Thus far,
these rules have usually needed to be discovered and subsequently programmed by
humans. Focusing on the paradigmatic example of solving linear equations in
symbolic form, we demonstrate how the process of finding elementary
transformation rules and step-by-step solutions can be automated using
reinforcement learning with deep neural networks.
- Abstract(参考訳): 機械学習の手法は、様々な社会的、経済的、科学的文脈で徐々に採用されているが、正確な数学に苦しむことで有名である。
典型的な例として、数学用語の単純化、形式微分の計算、代数方程式の正確な解の発見などのタスクを含むコンピュータ代数がある。
これらの目的のための伝統的なソフトウェアパッケージは、ある特定の操作(例えば、微分)がある項(例えば、正弦関数)を別の項(例えば、余弦関数)に変換する方法に関するルールの巨大なデータベースに基づいている。
これまでのところ、これらの規則は人間によって発見され、その後プログラムされる必要がある。
記号型で線形方程式を解くというパラダイム的な例に着目し、ニューラルネットワークを用いた強化学習を用いて、基本変換規則とステップバイステップの解を求める過程をいかに自動化できるかを実証する。
関連論文リスト
- A Hybrid System for Systematic Generalization in Simple Arithmetic
Problems [70.91780996370326]
本稿では,記号列に対する合成的および体系的推論を必要とする算術的問題を解くことができるハイブリッドシステムを提案する。
提案システムは,最も単純なケースを含むサブセットでのみ訓練された場合においても,ネストした数式を正確に解くことができることを示す。
論文 参考訳(メタデータ) (2023-06-29T18:35:41Z) - 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) - Peano: Learning Formal Mathematical Reasoning [35.086032962873226]
一般的な数学的推論は計算不可能であるが、人間は新しい問題を常に解決している。
両パズルの中心は、数学の基礎となる手続き的抽象の構造であると仮定する。
カーン・アカデミー・プラットフォーム上の始点代数の5つの部分に関するケーススタディにおいて、このアイデアを探求する。
論文 参考訳(メタデータ) (2022-11-29T01:42:26Z) - Discovering ordinary differential equations that govern time-series [65.07437364102931]
本研究では, 1つの観測解の時系列データから, スカラー自律常微分方程式(ODE)を記号形式で復元するトランスフォーマーに基づくシーケンス・ツー・シーケンス・モデルを提案する。
提案手法は, 1回に一度, ODE の大規模な事前訓練を行った後, モデルのいくつかの前方通過において, 新たに観測された解の法則を推測することができる。
論文 参考訳(メタデータ) (2022-11-05T07:07:58Z) - Well-definedness of Physical Law Learning: The Uniqueness Problem [63.9246169579248]
物理法学学習は、機械学習技術を用いて支配方程式の導出を自動化するための曖昧な試みである。
本論文は、物理法則を学習するための包括的な理論的枠組みを構築するための第一歩として機能する。
論文 参考訳(メタデータ) (2022-10-15T17:32:49Z) - JiuZhang: A Chinese Pre-trained Language Model for Mathematical Problem
Understanding [74.12405417718054]
本稿では,中国初の数学的事前学習言語モデル(PLM)を提示することにより,機械の数学的知性向上を目指す。
他の標準のNLPタスクとは異なり、数学的テキストは問題文に数学的用語、記号、公式を含むため理解が難しい。
基礎課程と上級課程の両方からなる数学PLMの学習を改善するための新しいカリキュラム事前学習手法を設計する。
論文 参考訳(メタデータ) (2022-06-13T17:03:52Z) - Simplifying Polylogarithms with Machine Learning [0.0]
粒子物理学に関連する多くの計算において、多対数の複雑な組み合わせはファインマン積分から生じることが多い。
本稿では,ゲーム中の動きに類似したアイデンティティを持つ強化学習アプローチと,言語翻訳タスクと類似した認識を行うトランスフォーマーネットワークアプローチについて考察する。
論文 参考訳(メタデータ) (2022-06-08T18:20:21Z) - Bayesian Learning to Discover Mathematical Operations in Governing
Equations of Dynamic Systems [3.1544304017740634]
本研究は,ニューラルネットワークのような階層構造を持つ数理演算ネットワーク(MathONet)を設計することにより,方程式を制御するための新しい表現を提案する。
MathONetは通常、冗長な構造を持つ超グラフと見なされる。
論文 参考訳(メタデータ) (2022-06-01T10:31:14Z) - Symbolically Solving Partial Differential Equations using Deep Learning [5.1964883240501605]
本稿では、微分方程式の正確な解や近似解を生成するニューラルネットワーク手法について述べる。
他のニューラルネットワークとは異なり、我々のシステムは直接解釈できるシンボリック表現を返す。
論文 参考訳(メタデータ) (2020-11-12T22:16:03Z) - A Neuro-Symbolic Method for Solving Differential and Functional
Equations [6.899578710832262]
微分方程式を解くために記号式を生成する方法を提案する。
既存の手法とは異なり、このシステムは記号数学よりも言語モデルを学習する必要はない。
我々は,他の数学的課題に対するシンボリックな解を見つけるために,システムがいかに懸命に一般化されるかを示す。
論文 参考訳(メタデータ) (2020-11-04T17:13:25Z) - Machine Number Sense: A Dataset of Visual Arithmetic Problems for
Abstract and Relational Reasoning [95.18337034090648]
文法モデルを用いて自動生成される視覚的算術問題からなるデータセット、MNS(Machine Number Sense)を提案する。
これらの視覚的算術問題は幾何学的フィギュアの形をしている。
我々は、この視覚的推論タスクのベースラインとして、4つの主要なニューラルネットワークモデルを用いて、MNSデータセットをベンチマークする。
論文 参考訳(メタデータ) (2020-04-25T17:14:58Z)
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。