論文の概要: A Personalised Learning Tool for Physics Undergraduate Students Built On a Large Language Model for Symbolic Regression
- arxiv url: http://arxiv.org/abs/2407.00065v1
- Date: Mon, 17 Jun 2024 13:43:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-07 13:43:41.747823
- Title: A Personalised Learning Tool for Physics Undergraduate Students Built On a Large Language Model for Symbolic Regression
- Title（参考訳）: シンボリック回帰のための大規模言語モデルに基づく物理学部学生のための個人学習ツール
- Authors: Yufan Zhu, Zi-Yu Khoo, Jonathan Sze Choong Low, Stephane Bressan,
- Abstract要約: インターリーブド・プラクティスは、学部生の記憶と問題解決能力を高める。
本稿では,Large Language Model(LLM)上に構築されたパーソナライズされた学習ツールについて紹介する。
- 参考スコア（独自算出の注目度）: 0.6666419797034796
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Interleaved practice enhances the memory and problem-solving ability of students in undergraduate courses. We introduce a personalized learning tool built on a Large Language Model (LLM) that can provide immediate and personalized attention to students as they complete homework containing problems interleaved from undergraduate physics courses. Our tool leverages the dimensional analysis method, enhancing students' qualitative thinking and problem-solving skills for complex phenomena. Our approach combines LLMs for symbolic regression with dimensional analysis via prompt engineering and offers students a unique perspective to comprehend relationships between physics variables. This fosters a broader and more versatile understanding of physics and mathematical principles and complements a conventional undergraduate physics education that relies on interpreting and applying established equations within specific contexts. We test our personalized learning tool on the equations from Feynman's lectures on physics. Our tool can correctly identify relationships between physics variables for most equations, underscoring its value as a complementary personalized learning tool for undergraduate physics students.
- Abstract（参考訳）: インターリーブド・プラクティスは、学部生の記憶と問題解決能力を高める。
本稿では,Large Language Model (LLM) 上に構築されたパーソナライズされた学習ツールについて紹介する。
本ツールは,複雑な現象に対する学生の質的思考と問題解決能力を高めるために,次元解析手法を活用する。
提案手法は,記号回帰のためのLLMと,素早い工学的手法による次元解析を組み合わせることで,物理変数間の関係を理解するためのユニークな視点を提供する。
このことは、物理学と数学的原理のより広義の理解を促進し、特定の文脈における確立された方程式の解釈と適用に依存する従来の学部の物理学教育を補完する。
Feynman氏の物理学の講義から得られた方程式に基づいて、パーソナライズされた学習ツールをテストする。
本ツールでは,ほとんどの方程式の物理変数間の関係を正しく識別し,物理系学生の相補的個別学習ツールとしての価値を評価できる。
関連論文リスト
- LLMPhy: Complex Physical Reasoning Using Large Language Models and World Models [35.01842161084472]
そこで我々は,TraySimという物理推論タスクとデータセットを提案する。
私たちのタスクは、外部の影響を受けるトレイ上のいくつかのオブジェクトのダイナミクスを予測することです。
LLMの物理知識とプログラム合成能力を活用するゼロショットブラックボックス最適化フレームワークであるLLMPhyを提案する。
この結果から,LLMと物理エンジンの組み合わせにより,最先端のゼロショット物理推論性能が得られることがわかった。
論文 参考訳（メタデータ） (2024-11-12T18:56:58Z) - Augmented Physics: Creating Interactive and Embedded Physics Simulations from Static Textbook Diagrams [10.883862721068223]
静的教科書図から組込みインタラクティブな物理シミュレーションを作成するための機械学習統合オーサリングツールであるAugmented Physicsを紹介した。
本システムでは,物理教科書から図表を半自動抽出し,抽出した内容に基づいてインタラクティブなシミュレーションを生成する。
論文 参考訳（メタデータ） (2024-05-28T21:45:20Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Deep Learning and Computational Physics (Lecture Notes) [0.5156484100374059]
ノートは、応用数学の強い背景を持つ典型的な工学の大学院生にアクセスできるべきである。
深層学習アルゴリズムの理解を深めるために、計算物理学の概念を使う。
いくつかの新しいディープラーニングアルゴリズムは、計算物理学の難解な問題を解くのに使える。
論文 参考訳（メタデータ） (2023-01-03T03:56:19Z) - 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) - Dynamic Visual Reasoning by Learning Differentiable Physics Models from
Video and Language [92.7638697243969]
視覚概念を協調的に学習し,映像や言語から物体の物理モデルを推定する統合フレームワークを提案する。
これは視覚認識モジュール、概念学習モジュール、微分可能な物理エンジンの3つのコンポーネントをシームレスに統合することで実現される。
論文 参考訳（メタデータ） (2021-10-28T17:59:13Z) - Differentiable Physics: A Position Piece [0.0]
微分可能物理は、古典的解析解と微分可能プログラミングのブリッジを用いた数値的手法を組み合わせることによって、物理現象をモデル化するための新しいパラダイムを提供する。
論文 参考訳（メタデータ） (2021-09-14T15:08:54Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z) - Scalable Differentiable Physics for Learning and Control [99.4302215142673]
微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。
我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
論文 参考訳（メタデータ） (2020-07-04T19:07:51Z) - Integrating Machine Learning with Physics-Based Modeling [17.392391163553334]
この記事では、幅広い関心事の1つに焦点を当てる。 機械学習と物理に基づくモデリングをどのように統合できるのか?
機械学習に基づく物理モデルを開発する上で最も重要な2つの課題について論じる。
最終的には、この統合がどこに導くのか、そして機械学習が科学的モデリングにうまく統合された後、新たなフロンティアがどこにあるのか、という一般的な議論で終わります。
論文 参考訳（メタデータ） (2020-06-04T02:35:10Z) - Occlusion resistant learning of intuitive physics from videos [52.25308231683798]
人工システムの鍵となる能力は、オブジェクト間の物理的相互作用を理解し、状況の将来的な結果を予測することである。
この能力は直感的な物理学と呼ばれ、近年注目されており、ビデオシーケンスからこれらの物理規則を学ぶためのいくつかの方法が提案されている。
論文 参考訳（メタデータ） (2020-04-30T19:35:54Z)
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。