Fugu-MT 論文翻訳(概要): On Common Misconceptions in Classical Vehicle Dynamics

論文の概要: On Common Misconceptions in Classical Vehicle Dynamics

arxiv url: http://arxiv.org/abs/2604.22815v1
Date: Tue, 14 Apr 2026 18:30:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-04 02:32:14.200182
Title: On Common Misconceptions in Classical Vehicle Dynamics
Title（参考訳）: 古典的車両力学における共通誤解について
Authors: Massimo Guiggiani,
Abstract要約: 本稿では,そのような誤解のいくつかを再考し,その妥当性の領域を明確にし,潜在的な誤解の原因を明らかにする。目的は、確立されたモデルを排除するのではなく、より正確で科学的に根ざした重要な概念の解釈を促進することである。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Classical vehicle dynamics contains several widely adopted misconceptions that, while intuitively appealing, may lead to inconsistencies when examined under a rigorous mechanical framework. This paper revisits a number of such misconceptions, clarifying their domains of validity and highlighting potential sources of misunderstanding. The aim is not to dismiss established models, but to promote a more precise and scientifically grounded interpretation of key concepts.
Abstract（参考訳）: 古典的な車両力学には、直感的にアピールするが、厳密な機械的枠組みの下で検討した場合に矛盾をもたらす、広く採用されている誤解がいくつか含まれている。本稿では,そのような誤解のいくつかを再考し,その妥当性の領域を明確にし,潜在的な誤解の原因を明らかにする。目的は、確立されたモデルを排除するのではなく、より正確で科学的に根ざした重要な概念の解釈を促進することである。

関連論文リスト

Grading the Unspoken: Evaluating Tacit Reasoning in Quantum Field Theory and String Theory with LLMs [6.723992068753028]
大規模な言語モデルは、数学と物理学の多くの領域で顕著なパフォーマンスを示している。 1つの自然な疑問は、そのようなモデルが量子場理論や弦理論のような高度に抽象的な理論分野の研究を支援することができるかどうかである。我々は、量子場理論と弦理論の中核領域にまたがる12の質問からなる、コンパクトな専門家計算データセットを構築した。
論文参考訳（メタデータ） (2026-04-01T02:03:15Z)
OMNIFLOW: A Physics-Grounded Multimodal Agent for Generalized Scientific Reasoning [51.33849811496781]
大規模言語モデル (LLM) は例外的な論理的推論能力を示しているが、部分微分方程式 (PDE) による連続力学としばしば競合する。 OMNIFLOWは, 領域固有のパラメータ更新を必要とせず, 基本物理法則で凍結LDMを基底として設計したマルチモーダルシンボリックアーキテクチャである。我々は, 微視的乱流, 理論的ナビエ・ストークス, マクロ的世界天気予報のベンチマークでこれを評価した。
論文参考訳（メタデータ） (2026-03-16T18:29:01Z)
When Counterfactual Reasoning Fails: Chaos and Real-World Complexity [1.9223856107206057]
構造因果モデルの枠組みにおける反実的推論の限界について検討する。低次モデル不確実性やカオス力学といった現実的な仮定は、直観に反する結果をもたらす。この研究は、カオスと不確実性を特徴とする設定に反実的推論を適用する際に注意を促している。
論文参考訳（メタデータ） (2025-03-31T08:14:51Z)
Causally Reliable Concept Bottleneck Models [4.411356026951205]
概念に基づくモデルは、データに表される対象現象の根底にある真の因果メカニズムを説明できない。実世界の因果メカニズムのモデルに基づいて構成された概念のボトルネックを通じて推論を強制する概念ベースアーキテクチャのクラスである、因果信頼概念ボトルネックモデル(C$2$BMs)を提案する。 C$2$BMは、精度を維持しながら、標準不透明モデルやコンセプトベースモデルのような介入に対する応答性を改善しつつ、より解釈可能で、因果的に信頼性が高いことを示す。
論文参考訳（メタデータ） (2025-03-06T12:06:54Z)
Deep Learning is Not So Mysterious or Different [54.5330466151362]
我々は、異常な一般化行動はニューラルネットワークとは異なるものではないと主張している。我々はこれらの現象を説明する上で重要な統一原理として、軟性誘導バイアスを提示する。また、ディープラーニングが、表現学習の能力など、他の方法と相対的に異なる点を強調します。
論文参考訳（メタデータ） (2025-03-03T22:56:04Z)
Causality can systematically address the monsters under the bench(marks) [64.36592889550431]
ベンチマークはさまざまなバイアス、アーティファクト、リークに悩まされている。モデルは、調査の不十分な障害モードのため、信頼できない振る舞いをする可能性がある。因果関係はこれらの課題を体系的に解決するための理想的な枠組みを提供します
論文参考訳（メタデータ） (2025-02-07T17:01:37Z)
Invariant Causal Set Covering Machines [48.169632766444906]
決定木のようなルールベースのモデルは、解釈可能な性質のために実践者にアピールする。しかし、そのようなモデルを生成する学習アルゴリズムは、しばしば刺激的な関連に弱いため、因果関係の洞察を抽出することが保証されていない。 Invariant Causal Set Covering Machines は、古典的集合被覆マシンアルゴリズムの拡張であり、二値ルールの結合/分離を可能とし、スプリアス関係を確実に回避する。
論文参考訳（メタデータ） (2023-06-07T20:52:01Z)

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。