論文の概要: Verification and Validation for Trustworthy Scientific Machine Learning

• arxiv url: http://arxiv.org/abs/2502.15496v1
• Date: Fri, 21 Feb 2025 14:41:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 19:42:13.653235
• Title: Verification and Validation for Trustworthy Scientific Machine Learning
• Title（参考訳）: 信頼できる科学機械学習の検証と検証
• Authors: John D. Jakeman, Lorena A. Barba, Joaquim R. R. A. Martins, Thomas O'Leary-Roseberry,
• Abstract要約: 本研究の目的は,予測型SciMLにおけるコンセンサスに基づくグッドプラクティスの確立に関する議論を開始することである。 検証プロトコルや検証プロトコルなど,既存の計算科学・工学ガイドラインを適用する上で重要な課題を明らかにする。 予測アプリケーションを中心にして16の推奨事項は、研究者を支援することを目的としています。
• 参考スコア（独自算出の注目度）: 0.8749675983608172
• License:
• Abstract: Scientific machine learning (SciML) models are transforming many scientific disciplines. However, the development of good modeling practices to increase the trustworthiness of SciML has lagged behind its application, limiting its potential impact. The goal of this paper is to start a discussion on establishing consensus-based good practices for predictive SciML. We identify key challenges in applying existing computational science and engineering guidelines, such as verification and validation protocols, and provide recommendations to address these challenges. Our discussion focuses on predictive SciML, which uses machine learning models to learn, improve, and accelerate numerical simulations of physical systems. While centered on predictive applications, our 16 recommendations aim to help researchers conduc
• Abstract（参考訳）: 科学機械学習(SciML)モデルは、多くの科学分野を変革している。 しかし、SciMLの信頼性を高めるための優れたモデリングプラクティスの開発は、そのアプリケーションに遅れを取っており、潜在的な影響を制限している。 本研究の目的は,予測型SciMLにおけるコンセンサスに基づくグッドプラクティスの確立に関する議論を開始することである。 検証プロトコルや検証プロトコルなど,既存の計算科学・工学ガイドラインを適用する上で重要な課題を特定し,これらの課題に対処するためのレコメンデーションを提供する。 本稿では、機械学習モデルを用いて物理系の数値シミュレーションを学習、改善、高速化する予測型SciMLについて論じる。 予測的応用に焦点を当てた16の勧告は、研究者の理解を支援することを目的としています。

関連論文リスト

• A Survey on Memory-Efficient Large-Scale Model Training in AI for Science [20.31466892935848]
  この調査は、生物学、医学、化学、気象学などの科学分野にまたがる応用をレビューする。 本稿では,変圧器アーキテクチャに基づく大規模言語モデル(LLM)のメモリ効率トレーニング手法について概説する。 予測精度を保ちながら,メモリ最適化手法がストレージ需要を削減できることを実証する。
  論文  参考訳（メタデータ） (2025-01-21T03:06:30Z)
• Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey [51.87875066383221]
  本稿では、基本概念、従来の手法、ベンチマークデータセットを紹介し、CFDを改善する上で機械学習が果たす様々な役割について検討する。 我々は,空気力学,燃焼,大気・海洋科学,生物流体,プラズマ,記号回帰,秩序の低減など,CFDにおけるMLの現実的な応用を強調した。 シミュレーションの精度を向上し、計算時間を短縮し、流体力学のより複雑な解析を可能にすることにより、MLはCFD研究を大きく変革する可能性があるという結論を導いた。
  論文  参考訳（メタデータ） (2024-08-22T07:33:11Z)
• Improving Molecular Modeling with Geometric GNNs: an Empirical Study [56.52346265722167]
  本稿では,異なる標準化手法,(2)グラフ作成戦略,(3)補助的なタスクが性能,拡張性,対称性の強制に与える影響に焦点をあてる。 本研究の目的は,分子モデリングタスクに最適なモデリングコンポーネントの選択を研究者に案内することである。
  論文  参考訳（メタデータ） (2024-07-11T09:04:12Z)
• Reliable edge machine learning hardware for scientific applications [34.87898436984149]
  極端なデータレートの科学実験は、効率的なMLエッジ処理を必要とする大量のデータを生成する。 このような厳密なレイテンシ、リソース、パワー、および領域要件の下で、科学的なエッジで信頼できるアルゴリズムを開発し、検証するためのアプローチについて議論する。
  論文  参考訳（メタデータ） (2024-06-27T20:45:08Z)
• 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)
• Constructing Impactful Machine Learning Research for Astronomy: Best Practices for Researchers and Reviewers [0.0]
  機械学習は、天文学のコミュニティにとって、急速に選択のツールになりつつある。 本稿では、機械学習モデルの実装方法と結果の報告方法について、天文学コミュニティにプライマーを提供する。
  論文  参考訳（メタデータ） (2023-10-19T07:04:36Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Hessian-based toolbox for reliable and interpretable machine learning in physics [58.720142291102135]
  本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。 与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。 我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
  論文  参考訳（メタデータ） (2021-08-04T16:32:59Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Towards the Development of Entropy-Based Anomaly Detection in an Astrophysics Simulation [0.2867517731896504]
  コア崩壊型超新星シミュレーションから生じる異常問題について述べる。 本稿では,この科学的シミュレーションに異常検出技術を適用する際の戦略と早期成功について論じる。
  論文  参考訳（メタデータ） (2020-09-05T01:43:33Z)

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。