Fugu-MT 論文翻訳(概要): FAIR Universe HiggsML Uncertainty Challenge Competition

論文の概要: FAIR Universe HiggsML Uncertainty Challenge Competition

arxiv url: http://arxiv.org/abs/2410.02867v1
Date: Thu, 3 Oct 2024 18:01:12 GMT
ステータス: 処理完了
システム内更新日: 2024-11-03 05:14:45.915618
Title: FAIR Universe HiggsML Uncertainty Challenge Competition
Title（参考訳）: FAIR Universeが機械学習の不確実性コンテストを開催
Authors: Wahid Bhimji, Paolo Calafiura, Ragansu Chakkappai, Yuan-Tang Chou, Sascha Diefenbacher, Jordan Dudley, Steven Farrell, Aishik Ghosh, Isabelle Guyon, Chris Harris, Shih-Chieh Hsu, Elham E Khoda, Rémy Lyscar, Alexandre Michon, Benjamin Nachman, Peter Nugent, Mathis Reymond, David Rousseau, Benjamin Sluijter, Benjamin Thorne, Ihsan Ullah, Yulei Zhang,
Abstract要約: HiggsML Uncertainty Challengeは、不完全なシミュレータによる素粒子の物理特性の測定に焦点を当てている。課題は、データセットの共有、トレーニングモデル、マシンラーニングコンペのホスティングに、大規模なAIプラットフォームを活用することだ。
参考スコア（独自算出の注目度）: 36.14382659363543
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The FAIR Universe -- HiggsML Uncertainty Challenge focuses on measuring the physics properties of elementary particles with imperfect simulators due to differences in modelling systematic errors. Additionally, the challenge is leveraging a large-compute-scale AI platform for sharing datasets, training models, and hosting machine learning competitions. Our challenge brings together the physics and machine learning communities to advance our understanding and methodologies in handling systematic (epistemic) uncertainties within AI techniques.
Abstract（参考訳）: FAIR Universe -- HiggsML Uncertainty Challengeは、体系的エラーのモデル化の違いによる不完全なシミュレータによる素粒子の物理特性の測定に焦点を当てている。さらに、データセットの共有、トレーニングモデル、マシンラーニングコンペのホスティングなど、大規模なAIプラットフォームを活用することも課題だ。我々の挑戦は、物理学と機械学習のコミュニティをまとめて、AI技術における体系的な(最先端の)不確実性を扱うための理解と方法論を前進させます。

関連論文リスト

Physics-Driven Learning for Inverse Problems in Quantum Chromodynamics [5.5371760658918]
ディープラーニング技術と物理駆動設計の統合は、私たちが逆問題に対処する方法を変えつつある。この視点は、物理駆動学習法の進歩と可能性を強調している。 MLと物理の融合により、より効率的で信頼性の高い問題解決戦略がもたらされることが示されている。
論文参考訳（メタデータ） (2025-01-09T21:14:25Z)
Artificial Intelligence for Science in Quantum, Atomistic, and Continuum Systems [268.585904751315]
科学のためのAI(AI4Science)として知られる新しい研究領域領域は、物理世界(波動関数と電子密度)、原子(分子、タンパク質、物質、相互作用)、マクロ(流体、気候、地下)まで理解することを目的としている。主要な課題は、物理第一原理、特に対称性を深層学習法によって自然システムで捉える方法である。
論文参考訳（メタデータ） (2023-07-17T12:14:14Z)
Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
論文参考訳（メタデータ） (2023-05-21T03:51:03Z)
Physics-Guided Adversarial Machine Learning for Aircraft Systems Simulation [9.978961706999833]
この研究は、物理誘導型逆機械学習(ML)という新しいアプローチを示し、モデルの物理一貫性に対する信頼性を向上させる。 2つの航空機システムの性能モデルに対する実証的な評価は、我々の敵MLアプローチの有効性を示している。
論文参考訳（メタデータ） (2022-09-07T19:23:45Z)
Encoding physics to learn reaction-diffusion processes [18.187800601192787]
物理構造を符号化するディープラーニングフレームワークが,PDEシステム体制に関する様々な問題に適用可能であることを示す。物理を符号化する結果の学習パラダイムは、広範囲な数値実験により、高い精度、堅牢性、解釈可能性、一般化可能性を示す。
論文参考訳（メタデータ） (2021-06-09T03:02:20Z)
A survey of machine learning-based physics event generation [2.9903137981116723]
高エネルギー核・粒子物理学におけるイベントジェネレータは、粒子反応の研究を促進する上で重要な役割を果たしている。物理イベントジェネレータの構築における機械学習(ML)の取り組みについて概観する。本稿では、これらの課題を克服するために、MLモデル設計に物理を組み込む様々なアプローチについて論じる。
論文参考訳（メタデータ） (2021-06-01T17:23:15Z)
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)
Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文参考訳（メタデータ） (2021-02-15T19:56:48Z)
Living in the Physics and Machine Learning Interplay for Earth Observation [7.669855697331746]
推論は変数の関係を理解し、物理的に解釈可能なモデルを導出することを意味する。機械学習モデルだけでも優れた近似器であるが、物理学の最も基本的な法則を尊重しないことが多い。これは、地球系の知識を発見できるアルゴリズムを開発し、適用するための、長期的なAIの集合的なアジェンダである。
論文参考訳（メタデータ） (2020-10-18T16:58:20Z)
Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。