論文の概要: Is the end of Insight in Sight ?

• arxiv url: http://arxiv.org/abs/2505.04627v1
• Date: Wed, 07 May 2025 19:57:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:36.187362
• Title: Is the end of Insight in Sight ?
• Title（参考訳）: Insightの終わりは見えるか?
• Authors: Jean-Michel Tucny, Mihir Durve, Sauro Succi,
• Abstract要約: 物理インフォームドニューラルネットワーク(PINN)を用いた希薄ガス力学問題に対するディープラーニングアプリケーションの重み行列は、物理問題の数学的構造と明らかな関連性を持たないことが示されている。 結果は、ボルツマン方程式のディープラーニングと数値解は、同じ物理知識に対する2つの等価な経路を表すことを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: It is shown that the weight matrices of a Physics-informed neural network (PINN)-based deep learning application to a rarefied gas dynamics problem described by the Boltzmann equation bear no evident link to the mathematical structure of the physical problem. Instead, the weights appear close to Gaussian distributed random matrices. Although significantly more work is needed to support a robust assessment in this direction, these results suggest that deep-learning and the numerical solution of the Boltzmann equation represent two equivalent, but largely distinct paths to the same physical knowledge. If so, Explainable AI might be an unrealistic target and possibly even an ill-posed one.
• Abstract（参考訳）: ボルツマン方程式によって記述された希薄ガス力学問題に対する物理インフォームドニューラルネットワーク(PINN)に基づくディープラーニング応用の重み行列は、物理問題の数学的構造と明らかな関係を持たないことが示されている。 代わりに、重みはガウス分布のランダム行列に近いように見える。 これらの結果は、ディープラーニングとボルツマン方程式の数値解は、2つの等価であるが、ほぼ同一の物理知識への経路を表していることを示唆している。 もしそうなら、説明可能なAIは非現実的なターゲットであり、おそらく不適切なターゲットかもしれない。

関連論文リスト

• Hamiltonian Neural Networks approach to fuzzball geodesics [39.58317527488534]
  Hamiltonian Neural Networks (HNN) は、ハミルトンの運動方程式を解くために損失関数を最小化するツールである。 本研究では、D1-D5円形ファズボールと呼ばれる滑らかで水平な幾何学内を移動する無質量プローブに対するハミルトン方程式を高精度に解くために訓練されたいくつかのHNNを実装した。
  論文  参考訳（メタデータ） (2025-02-28T09:25:49Z)
• Random Matrix Theory for Stochastic Gradient Descent [0.0]
  機械学習アルゴリズムにおける学習のダイナミクスを調べることは、アプローチが成功する方法と理由を理解する上で、最重要事項である。 ここでは、ダイソン・ブラウン運動の枠組みを用いて、ランダム行列理論からウェイト行列ダイナミクスを記述する。 学習速度(ステップサイズ)とバッチサイズの間の線形スケーリングルールを導出し、重み行列力学の普遍的および非普遍的側面を同定する。
  論文  参考訳（メタデータ） (2024-12-29T15:21:13Z)
• DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [60.58067866537143]
  本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。 DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。 経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
  論文  参考訳（メタデータ） (2024-10-08T10:48:50Z)
• Neural Astrophysical Wind Models [0.0]
  本研究は, 直交常微分方程式 (ODE) に個々の項として埋め込まれたディープニューラルネットワークが, これらの物理の双方をしっかりと発見できることを示す。 我々は、3つの保存変数を明示的に解決するのではなく、マッハ数に基づく損失関数を最適化し、近分散解に対してペナルティ項を適用する。 この研究は、非線形逆問題に対する機械論的解釈性を備えた有望な発見ツールとしてのニューラルODEの実現性をさらに強調する。
  論文  参考訳（メタデータ） (2023-06-20T16:37:57Z)
• Computational Complexity of Learning Neural Networks: Smoothness and Degeneracy [52.40331776572531]
  ガウス入力分布下での学習深度3$ReLUネットワークはスムーズな解析フレームワークにおいても困難であることを示す。 この結果は, 局所擬似乱数発生器の存在についてよく研究されている。
  論文  参考訳（メタデータ） (2023-02-15T02:00:26Z)
• Conditional physics informed neural networks [85.48030573849712]
  固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。 一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
  論文  参考訳（メタデータ） (2021-04-06T18:29:14Z)

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。