論文の概要: Large Physics Models: Towards a collaborative approach with Large Language Models and Foundation Models

• arxiv url: http://arxiv.org/abs/2501.05382v1
• Date: Thu, 09 Jan 2025 17:11:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-10 13:58:06.390067
• Title: Large Physics Models: Towards a collaborative approach with Large Language Models and Foundation Models
• Title（参考訳）: 大規模物理モデル:大規模言語モデルと基礎モデルとの協調的アプローチを目指して
• Authors: Kristian G. Barman, Sascha Caron, Emily Sullivan, Henk W. de Regt, Roberto Ruiz de Austri, Mieke Boon, Michael Färber, Stefan Fröse, Faegheh Hasibi, Andreas Ipp, Rukshak Kapoor, Gregor Kasieczka, Daniel Kostić, Michael Krämer, Tobias Golling, Luis G. Lopez, Jesus Marco, Sydney Otten, Pawel Pawlowski, Pietro Vischia, Erik Weber, Christoph Weniger,
• Abstract要約: 本稿では、物理固有の大規模AIモデルの開発と評価のためのアイデアを探求し、潜在的ロードマップを提供する。 これらのモデルは、Large Language Models (LLMs) のような基礎モデルに基づいており、物理学研究の要求に対応するように調整されている。
• 参考スコア（独自算出の注目度）: 8.320153035338418
• License:
• Abstract: This paper explores ideas and provides a potential roadmap for the development and evaluation of physics-specific large-scale AI models, which we call Large Physics Models (LPMs). These models, based on foundation models such as Large Language Models (LLMs) - trained on broad data - are tailored to address the demands of physics research. LPMs can function independently or as part of an integrated framework. This framework can incorporate specialized tools, including symbolic reasoning modules for mathematical manipulations, frameworks to analyse specific experimental and simulated data, and mechanisms for synthesizing theories and scientific literature. We begin by examining whether the physics community should actively develop and refine dedicated models, rather than relying solely on commercial LLMs. We then outline how LPMs can be realized through interdisciplinary collaboration among experts in physics, computer science, and philosophy of science. To integrate these models effectively, we identify three key pillars: Development, Evaluation, and Philosophical Reflection. Development focuses on constructing models capable of processing physics texts, mathematical formulations, and diverse physical data. Evaluation assesses accuracy and reliability by testing and benchmarking. Finally, Philosophical Reflection encompasses the analysis of broader implications of LLMs in physics, including their potential to generate new scientific understanding and what novel collaboration dynamics might arise in research. Inspired by the organizational structure of experimental collaborations in particle physics, we propose a similarly interdisciplinary and collaborative approach to building and refining Large Physics Models. This roadmap provides specific objectives, defines pathways to achieve them, and identifies challenges that must be addressed to realise physics-specific large scale AI models.
• Abstract（参考訳）: 本稿では,Large Physics Models (LPMs) と呼ばれる,物理学特有の大規模AIモデルの開発と評価のロードマップを提供する。 これらのモデルは、Large Language Models (LLMs)のような基礎モデルに基づいて、幅広いデータに基づいて訓練され、物理学研究の要求に対応するように調整されている。 LPMは独立して、あるいは統合フレームワークの一部として機能する。 このフレームワークは、数学的操作のためのシンボリック推論モジュール、特定の実験的およびシミュレーションデータを分析するフレームワーク、理論と科学文献を合成するメカニズムを含む特別なツールを組み込むことができる。 まず、物理コミュニティが商用LLMにのみ依存するのではなく、専用モデルを積極的に開発・洗練すべきかどうかを検討する。 次に、物理学、計算機科学、科学哲学の専門家間の学際的なコラボレーションを通じてLPMを実現する方法について概説する。 これらのモデルを効果的に統合するために、開発、評価、哲学的反映の3つの重要な柱を同定する。 開発は、物理テキスト、数学的定式化、および多様な物理データを処理することができるモデルの構築に焦点を当てている。 評価は、テストとベンチマークによって正確性と信頼性を評価する。 最後に、哲学的リフレクションは物理学におけるLLMのより広範な意味の分析を含んでおり、新しい科学的理解を生み出す可能性や、研究において新しいコラボレーションのダイナミクスが生まれる可能性を含んでいる。 粒子物理学における実験的なコラボレーションの組織構造に着想を得て、我々は大規模物理モデルの構築と精錬に同様に学際的で協調的なアプローチを提案する。 このロードマップは、特定の目標を提供し、それを達成するための経路を定義し、物理学固有の大規模AIモデルを実現するために対処しなければならない課題を特定します。

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)
• A Phenomenological AI Foundation Model for Physical Signals [1.204553980682492]
  我々は0.59億のクロスモーダルセンサ測定のモデルを開発し、訓練する。 物理法則や帰納バイアスに関する事前の知識はモデルに導入されなかった。 一つの基礎モデルが物理的挙動を効果的にエンコードし予測できることを実証する。
  論文  参考訳（メタデータ） (2024-10-15T21:03:53Z)
• Towards World Simulator: Crafting Physical Commonsense-Based Benchmark for Video Generation [51.750634349748736]
  テキスト・ツー・ビデオ(T2V)モデルは複雑なプロンプトの可視化に大きく貢献している。 しかし、直感的な物理を正確に表現するこれらのモデルの能力はほとんど解明されていない。 本稿では,T2V生成における物理コモンセンスの正しさを評価するためにPhyGenBenchを導入する。
  論文  参考訳（メタデータ） (2024-10-07T17:56:04Z)
• LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
  本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。 本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。 法発見と分子設計における枠組みの有効性を実証するための実験を行った。
  論文  参考訳（メタデータ） (2024-05-16T03:04:10Z)
• ContPhy: Continuum Physical Concept Learning and Reasoning from Videos [86.63174804149216]
  ContPhyは、マシン物理常識を評価するための新しいベンチマークである。 私たちは、さまざまなAIモデルを評価し、ContPhyで満足なパフォーマンスを達成するのに依然として苦労していることがわかった。 また、近年の大規模言語モデルとパーティクルベースの物理力学モデルを組み合わせるためのオラクルモデル(ContPRO)を導入する。
  論文  参考訳（メタデータ） (2024-02-09T01:09:21Z)
• MeLM, a generative pretrained language modeling framework that solves forward and inverse mechanics problems [0.0]
  本稿では, 様々な非線形前方・逆問題の解法として, フレキシブルなマルチモーダル力学言語モデル, MeLM を適用する。 このフレームワークは、バイオインスパイアされた階層的ハニカム設計やカーボンナノチューブ力学など、様々な例に適用されている。
  論文  参考訳（メタデータ） (2023-06-30T10:28:20Z)
• Physics-Informed Machine Learning for Modeling and Control of Dynamical Systems [0.0]
  物理インフォームド機械学習(英: Physics-informed machine learning、PIML)は、機械学習(ML)アルゴリズムを物理的制約と体系的に統合する手法とツールのセットである。 PIMLの基本前提は、MLと物理の統合により、より効率的で、物理的に一貫性があり、データ効率のよいモデルが得られることである。 本稿では,動的システムモデリングと制御のためのPIMLの最近の進歩について,チュートリアルのような概要を提供する。
  論文  参考訳（メタデータ） (2023-06-24T05:24:48Z)
• 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)
• DIME: Fine-grained Interpretations of Multimodal Models via Disentangled Local Explanations [119.1953397679783]
  我々は,マルチモーダルモデルの解釈における最先端化に注力する。 提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
  論文  参考訳（メタデータ） (2022-03-03T20:52:47Z)
• Physics-Guided Deep Learning for Dynamical Systems: A survey [5.733401663293044]
  伝統的な物理学に基づくモデルは解釈可能であるが、厳密な仮定に依存している。 ディープラーニングは、複雑なパターンを効率的に認識し、非線形力学をエミュレートするための新しい代替手段を提供する。 物理学に基づくモデリングと最先端のDLモデルの両方を最大限に活用して、科学的な問題を解決することを目指している。
  論文  参考訳（メタデータ） (2021-07-02T20:59:03Z)
• 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)

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。