Fugu-MT 論文翻訳(概要): Scalable Artificial Intelligence for Science: Perspectives, Methods and Exemplars

論文の概要: Scalable Artificial Intelligence for Science: Perspectives, Methods and Exemplars

arxiv url: http://arxiv.org/abs/2406.17812v1
Date: Mon, 24 Jun 2024 20:29:29 GMT
ステータス: 処理完了
システム内更新日: 2024-06-27 17:46:26.681859
Title: Scalable Artificial Intelligence for Science: Perspectives, Methods and Exemplars
Title（参考訳）: 科学のためのスケーラブル人工知能: 展望, 方法, 経験
Authors: Wesley Brewer, Aditya Kashi, Sajal Dash, Aristeidis Tsaris, Junqi Yin, Mallikarjun Shankar, Feiyi Wang,
Abstract要約: 複雑な問題に対処するためには,高性能コンピューティングプラットフォーム上での人工知能のスケールアップが不可欠である。この視点は、認知シミュレーション、科学調査のための大規模言語モデル、医療画像分析、物理インフォームドアプローチといった科学的ユースケースに焦点を当てている。
参考スコア（独自算出の注目度）: 0.15705429611931054
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In a post-ChatGPT world, this paper explores the potential of leveraging scalable artificial intelligence for scientific discovery. We propose that scaling up artificial intelligence on high-performance computing platforms is essential to address such complex problems. This perspective focuses on scientific use cases like cognitive simulations, large language models for scientific inquiry, medical image analysis, and physics-informed approaches. The study outlines the methodologies needed to address such challenges at scale on supercomputers or the cloud and provides exemplars of such approaches applied to solve a variety of scientific problems.
Abstract（参考訳）: 本稿では、ChatGPT後の世界において、スケーラブルな人工知能を科学的発見に活用する可能性を探る。このような複雑な問題に対処するためには,高性能コンピューティングプラットフォーム上での人工知能のスケールアップが不可欠である。この視点は、認知シミュレーション、科学調査のための大規模言語モデル、医療画像分析、物理インフォームドアプローチといった科学的ユースケースに焦点を当てている。この研究は、スーパーコンピュータやクラウド上の大規模な課題に対処するために必要な方法論を概説し、様々な科学的問題を解決するために応用されたアプローチの例を示している。

関連論文リスト

A Review of Neuroscience-Inspired Machine Learning [58.72729525961739]
バイオプルーシブル・クレジット・アサインメントは、事実上あらゆる学習条件と互換性があり、エネルギー効率が高い。本稿では,人工ニューラルネットワークにおける信用代入の生体評価可能なルールをモデル化する,いくつかの重要なアルゴリズムについて検討する。我々は,このようなアルゴリズムを実用アプリケーションでより有用にするためには,今後の課題に対処する必要があることを論じる。
論文参考訳（メタデータ） (2024-02-16T18:05:09Z)
Quantum-centric Supercomputing for Materials Science: A Perspective on Challenges and Future Directions [20.785521465797203]
材料科学におけるハードな計算タスクは、既存の高性能スーパーコンピュータセンターの限界を延長する。一方、量子コンピューティングは、材料科学に必要な多くの計算タスクを加速する可能性を持つ新興技術である。
論文参考訳（メタデータ） (2023-12-14T18:14:22Z)
Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文参考訳（メタデータ） (2023-08-15T16:37:16Z)
The Future of Fundamental Science Led by Generative Closed-Loop Artificial Intelligence [67.70415658080121]
機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。 AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
論文参考訳（メタデータ） (2023-07-09T21:16:56Z)
Symmetry-Informed Geometric Representation for Molecules, Proteins, and Crystalline Materials [66.14337835284628]
幾何戦略の有効性をベンチマークできるGeom3Dというプラットフォームを提案する。 Geom3Dは16の高度な対称性インフォームド幾何表現モデルと46の多様なデータセット上の14の幾何事前学習方法を含んでいる。
論文参考訳（メタデータ） (2023-06-15T05:37:25Z)
Analysis of Explainable Artificial Intelligence Methods on Medical Image Classification [0.0]
画像分類などのコンピュータビジョンタスクにおけるディープラーニングの利用は、そのようなシステムの性能を急速に向上させてきた。医用画像分類システムは、精度が高く、多くのタスクにおいてヒトの医師と同等に近いため、採用されている。ブラックボックスモデルに関する洞察を得るために使用されている研究技術は、説明可能な人工知能(XAI)の分野にある。
論文参考訳（メタデータ） (2022-12-10T06:17:43Z)
Simulation Intelligence: Towards a New Generation of Scientific Methods [81.75565391122751]
シミュレーション知能の9つのモチーフ」は、科学計算、科学シミュレーション、人工知能の融合に必要な重要なアルゴリズムの開発と統合のためのロードマップである。シミュレーションインテリジェンスのモチーフは、オペレーティングシステムのレイヤ内のコンポーネントとよく似ています。我々は、モチーフ間の協調的な努力が科学的な発見を加速する大きな機会をもたらすと信じている。
論文参考訳（メタデータ） (2021-12-06T18:45:31Z)
Artificial Intelligence and Machine Learning in Nuclear Physics [40.019577714454]
このレビューは、人工知能と機械学習技術によって変換された核物理学の研究のスナップショットを提供する。これらの技術は、核物理学の研究トピックの多様性にまたがって適用されており、科学的な発見や社会的な応用を促進する進歩につながっている。
論文参考訳（メタデータ） (2021-12-04T11:26:00Z)
Qualities, challenges and future of genetic algorithms: a literature review [0.0]
遺伝的アルゴリズムは自然進化をシミュレートするコンピュータプログラムである。ニューラルネットワークアーキテクチャ探索から戦略ゲームまで,さまざまな最適化問題の解決に使用されている。 GPU、並列コンピューティング、量子コンピューティングなどの最近の発展、強力なパラメータ制御法の概念、表現戦略における新しいアプローチは、それらの限界を克服するための鍵となるかもしれない。
論文参考訳（メタデータ） (2020-11-05T17:53:33Z)
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。