Fugu-MT 論文翻訳(概要): A Perspective on Symbolic Machine Learning in Physical Sciences

論文の概要: A Perspective on Symbolic Machine Learning in Physical Sciences

arxiv url: http://arxiv.org/abs/2502.17993v1
Date: Tue, 25 Feb 2025 09:02:02 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-26 17:42:45.947244
Title: A Perspective on Symbolic Machine Learning in Physical Sciences
Title（参考訳）: 物理科学における記号型機械学習の展望
Authors: Nour Makke, Sanjay Chawla,
Abstract要約: 機械学習が非科学的分野に影響を与える速度は、物理科学のそれと相容れない。シンボリック機械学習は、物理学における科学的発見のスピードアップにおいて、数値機械学習と同等かつ補完的なパートナーである。
参考スコア（独自算出の注目度）: 10.091537548478655
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning is rapidly making its pathway across all of the natural sciences, including physical sciences. The rate at which ML is impacting non-scientific disciplines is incomparable to that in the physical sciences. This is partly due to the uninterpretable nature of deep neural networks. Symbolic machine learning stands as an equal and complementary partner to numerical machine learning in speeding up scientific discovery in physics. This perspective discusses the main differences between the ML and scientific approaches. It stresses the need to develop and apply symbolic machine learning to physics problems equally, in parallel to numerical machine learning, because of the dual nature of physics research.
Abstract（参考訳）: 機械学習は、物理科学を含むすべての自然科学に急速に浸透しつつある。 MLが非科学的分野に影響を与える速度は、物理科学のそれと相容れない。これは、ディープニューラルネットワークの解釈不能な性質による部分もある。シンボリック機械学習は、物理学における科学的発見のスピードアップにおいて、数値機械学習と同等かつ補完的なパートナーである。この観点からは、MLと科学的アプローチの主な違いについて論じる。これは、物理学研究の二重の性質のため、数値機械学習と並行して、物理問題に象徴的機械学習を開発し、適用することの必要性を強調している。

関連論文リスト

Interpretable Machine Learning in Physics: A Review [10.77934040629518]
我々は、科学における中核研究として解釈可能な機械学習を確立することを目指している。我々は、解釈可能性の異なる側面を分類し、解釈可能性と性能の両方の観点から機械学習モデルについて議論する。我々は、物理学の多くのサブフィールドにまたがる、解釈可能な機械学習の最近の進歩を強調した。
論文参考訳（メタデータ） (2025-03-30T22:44:40Z)
Cosmos-Reason1: From Physical Common Sense To Embodied Reasoning [76.94237859217469]
物理的なAIシステムは、物理的な世界で複雑な行動を知覚し、理解し、実行する必要がある。物理世界を理解するためのモデルを提案する。私たちは、空間、時間、物理学に関する基本的な知識を捉える階層的オントロジーを使用します。具体的推論では、異なる物理的実施形態をまたいで一般化する2次元オントロジーに依存している。
論文参考訳（メタデータ） (2025-03-18T22:06:58Z)
Discover Physical Concepts and Equations with Machine Learning [7.565272546753481]
我々は、物理発見のための人間の物理的推論プロセスをシミュレートするニューラルネットワークアーキテクチャであるSciNetを拡張した。我々はこのモデルを、コペルニクスのヘリオ中心太陽系を含む物理学の歴史に触発されたいくつかの重要な例に適用する。その結果、ニューラルネットワークは対応する理論を再構築することに成功した。
論文参考訳（メタデータ） (2024-12-11T15:30:21Z)
Scientific Machine Learning Seismology [0.0]
科学機械学習(SciML)は、機械学習、特にディープラーニングと物理理論を統合し、複雑な自然現象を理解し予測する学際的な研究分野である。 PINNとニューラル演算子(NO)はSciMLの2つの一般的な方法である。 PINNの使用は、微分方程式の同時解、未決定系の推論、物理学に基づく正規化などの分野に拡大している。
論文参考訳（メタデータ） (2024-09-27T02:27:42Z)
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)
SimLM: Can Language Models Infer Parameters of Physical Systems? [56.38608628187024]
物理系におけるパラメータ推論におけるLarge Language Models (LLM) の性能について検討する。実験の結果,単純なシステムであっても,本課題には適していないことが示唆された。物理シミュレータを用いてLLMのコンテキストを拡大する探索の有望な方向を提案する。
論文参考訳（メタデータ） (2023-12-21T12:05:19Z)
Brain-Inspired Machine Intelligence: A Survey of Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文参考訳（メタデータ） (2023-12-01T05:20:57Z)
Machine learning in physics: a short guide [0.0]
機械学習は急速に成長する分野であり、物理学を含む科学の多くの分野に革命をもたらす可能性がある。このレビューでは、物理における機械学習の簡単な概要を説明し、教師なし、教師なし、強化学習の主な概念を取り上げている。本稿では、物理学における機械学習の主な応用について紹介し、関連する課題と展望について論じる。
論文参考訳（メタデータ） (2023-10-16T13:05:47Z)
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)
Physics-Informed Machine Learning: A Survey on Problems, Methods and Applications [31.157298426186653]
最近の研究は、物理的な事前および収集されたデータを組み込むことによって、機械学習モデルに潜在的な利点を提供することを示している。本稿では、経験的データと利用可能な物理的事前知識を活用するモデルを構築することを目的とした、Physical-Informed Machine Learning(PIML)という学習パラダイムを提案する。
論文参考訳（メタデータ） (2022-11-15T11:34:30Z)
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)
Privacy-preserving machine learning with tensor networks [37.01494003138908]
テンソルネットワークアーキテクチャは、特にプライバシー保護機械学習に期待できる特性を持つことを示す。まず、フィードフォワードニューラルネットワークに存在する新たなプライバシ脆弱性を説明し、それを合成および実世界のデータセットで説明する。このような条件がテンソルネットワークアーキテクチャによって満たされていることを厳密に証明する。
論文参考訳（メタデータ） (2022-02-24T19:04:35Z)
Measuring and modeling the motor system with machine learning [117.44028458220427]
モーターシステムの理解における機械学習の有用性は、データの収集、測定、分析の方法に革命をもたらすことを約束している。本稿では, ポーズ推定, 運動解析, 次元減少, 閉ループフィードバックから, ニューラル相関の理解, 機能停止まで, 機械学習の利用の増大について論じる。
論文参考訳（メタデータ） (2021-03-22T12:42:16Z)
Scientific intuition inspired by machine learning generated hypotheses [2.294014185517203]
私たちは、機械学習モデル自体が得る洞察と知識に焦点を移します。決定木では, 化学や物理から, ビッグデータから人間の解釈可能な洞察を抽出するために, 勾配増進法を適用した。数値を超える能力は、機械学習を使って概念理解の発見を加速する扉を開く。
論文参考訳（メタデータ） (2020-10-27T12:12:12Z)

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。