論文の概要: Digital Gene: Learning about the Physical World through Analytic Concepts
- arxiv url: http://arxiv.org/abs/2504.04170v2
- Date: Wed, 09 Apr 2025 10:35:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-17 12:27:41.303776
- Title: Digital Gene: Learning about the Physical World through Analytic Concepts
- Title（参考訳）: デジタル遺伝子:解析的概念を通して物理世界を学ぶ
- Authors: Jianhua Sun, Cewu Lu,
- Abstract要約: AIシステムは、物理的な世界を理解し、相互作用することに関して、依然として苦戦している。
本研究は分析概念の考え方を紹介する。
マシンインテリジェンスは、物理的な世界を理解し、推論し、相互作用するためのポータルを提供する。
- 参考スコア（独自算出の注目度）: 54.21005370169846
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reviewing the progress in artificial intelligence over the past decade, various significant advances (e.g. object detection, image generation, large language models) have enabled AI systems to produce more semantically meaningful outputs and achieve widespread adoption in internet scenarios. Nevertheless, AI systems still struggle when it comes to understanding and interacting with the physical world. This reveals an important issue: relying solely on semantic-level concepts learned from internet data (e.g. texts, images) to understand the physical world is far from sufficient -- machine intelligence currently lacks an effective way to learn about the physical world. This research introduces the idea of analytic concept -- representing the concepts related to the physical world through programs of mathematical procedures, providing machine intelligence a portal to perceive, reason about, and interact with the physical world. Except for detailing the design philosophy and providing guidelines for the application of analytic concepts, this research also introduce about the infrastructure that has been built around analytic concepts. I aim for my research to contribute to addressing these questions: What is a proper abstraction of general concepts in the physical world for machine intelligence? How to systematically integrate structured priors with neural networks to constrain AI systems to comply with physical laws?
- Abstract（参考訳）: 過去10年間の人工知能の進歩を振り返って、オブジェクト検出、画像生成、大規模言語モデルなど、さまざまな重要な進歩により、AIシステムはより意味論的に意味のあるアウトプットを生成し、インターネットシナリオで広く採用されている。
それでも、物理的な世界を理解し、対話することに関して、AIシステムは依然として苦戦している。
インターネットデータ(テキストや画像など)から学んだセマンティックレベルの概念のみに頼って物理世界を理解することは、まだ十分ではない – マシンインテリジェンスは現在、物理世界について学ぶ効果的な方法がない。この研究は、数学的手続きのプログラムを通じて、物理世界に関連する概念を表現する分析概念の概念を導入し、マシンインテリジェンスに物理世界に対する知覚、推論、相互作用のポータルを提供する。
本研究は, 設計哲学の詳述と分析概念の適用に関するガイドラインを別にして, 分析概念を中心に構築されたインフラについても紹介する。
マシンインテリジェンスのための物理世界における一般概念の適切な抽象化とは何か?
構造化された事前をニューラルネットワークと体系的に統合して、AIシステムが物理法則に従うことを制限する方法?
関連論文リスト
- A Study on Neuro-Symbolic Artificial Intelligence: Healthcare Perspectives [2.5782420501870296]
シンボリックAIは推論、説明可能性、知識表現に優れているが、ノイズのある複雑な現実世界のデータを処理する際の課題に直面している。
ニューラルネットワークにおけるディープラーニング(ブラックボックスシステム)の研究のブレークスルーは注目に値するが、推論と解釈性は欠如している。
ニューロシンボリックAI(NeSy)は、ニューラルネットワークに論理的推論を統合することによって、このギャップを埋めようとしている。
論文 参考訳（メタデータ） (2025-03-23T21:33:38Z) - 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) - Generative Physical AI in Vision: A Survey [25.867330158975932]
生成人工知能(AI)は、コンピュータビジョンの分野を急速に進歩させ、機械が前例のない高度なビジュアルデータを作成し、解釈できるようにする。
生成AIが進化して物理リアリズムと動的シミュレーションを統合するにつれ、その「世界シミュレータ」として機能する可能性が高まっている。
この調査は、コンピュータビジョンにおける物理学を意識した生成AIの出現する分野を体系的にレビューする。
論文 参考訳（メタデータ） (2025-01-19T03:19:47Z) - Artificial General Intelligence (AGI)-Native Wireless Systems: A Journey Beyond 6G [58.440115433585824]
デジタルツイン(DT)のようなサービスをサポートする将来の無線システムの構築は、メタサーフェスのような従来の技術への進歩を通じて達成することが困難である。
人工知能(AI)ネイティブネットワークは、無線技術のいくつかの制限を克服することを約束する一方で、開発は依然としてニューラルネットワークのようなAIツールに依存している。
本稿では、AIネイティブ無線システムの概念を再考し、それらを人工知能(AGI)ネイティブシステムに変換するために必要な共通感覚を取り入れた。
論文 参考訳（メタデータ） (2024-04-29T04:51:05Z) - Physics-Informed Computer Vision: A Review and Perspectives [22.71741766133866]
機械学習フレームワークに物理情報の組み入れが、多くのアプリケーションドメインを開放し、変換している。
本稿では,250以上の物理法則によるコンピュータビジョンタスクの定式化とアプローチに関する体系的な文献レビューを行う。
論文 参考訳（メタデータ） (2023-05-29T11:55:11Z) - Intrinsic Physical Concepts Discovery with Object-Centric Predictive
Models [86.25460882547581]
PHYsical Concepts Inference NEtwork (PHYCINE) は、異なる抽象レベルの物理概念を監督なしで推論するシステムである。
物理概念変数を含むオブジェクト表現は因果推論タスクの性能向上に有効であることを示す。
論文 参考訳（メタデータ） (2023-03-03T11:52:21Z) - A general framework for scientifically inspired explanations in AI [76.48625630211943]
我々は、AIシステムの説明を実装可能な一般的なフレームワークの理論的基盤として、科学的説明の構造の概念をインスタンス化する。
このフレームワークは、AIシステムの"メンタルモデル"を構築するためのツールを提供することを目的としている。
論文 参考訳（メタデータ） (2020-03-02T10:32:21Z)
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。