物理学者が熱狂する AI ツールがオープンソースになりました!実験データに基づいて物理式を直接発見し、ラップトップで実行できます。

物理学者を有頂天にする AI ツールが GitHub でオープンソースになりました!

これは Φ-SO と呼ばれ、データ内の隠れたパターンを直接見つけ、対応する式を 1 ステップで直接提供できます。

プロセス全体でスーパーコンピューティングを使用する必要はありません。ラップトップでアインシュタインの作業を約 4 時間で完了できます 大量-エネルギー方程式。

この結果は、ドイツのストラスブール大学とオーストラリア連邦科学産業研究機関の Data61 部門から得られたものです。論文の使用された研究には 1 年半かかり、学術コミュニティから幅広い注目を集めました。

# コードがオープンソース化されると、その評価は急速に高まります。

物理学者がAmazingに直接電話をかけてきたことに加えて、同じ手法を自分たちの分野に応用できるかどうかを議論するために来た他の分野の研究者もいます。 。

強化学習の体調制約

Φ-SO の背後にあるテクノロジーは「ディープ シンボリック回帰」と呼ばれ、

リカレント ニューラル ネットワーク (RNN) 強化学習 を使用して実装されています。

まず前のシンボルとコンテキスト情報を RNN に入力し、次のシンボルの確率分布を予測し、このステップを繰り返すことで多数の式を生成します。

同時に、物理的条件が事前知識として学習プロセスに組み込まれ、AI が実際には意味のない数式を定式化するのを防ぎ、探索スペースを大幅に削減できます。 。

#強化学習は、元のデータに最も適合する数式を生成することを AI に学習させるために導入されました。

シンボリック回帰タスクでは、チェスやロボットの制御などに使用される強化学習とは異なり、最適な式を見つける方法のみを気にする必要があり、平均パフォーマンスについては気にする必要はありません。ニューラルネットワーク。

つまり、強化学習のルールは、モデルが探索空間を完全に探索することを促すために、候補式の上位 5% にのみ報酬を与え、残りの 95% にペナルティを与えないように設計されています。

研究チームは、減衰共振器の解析表現、アインシュタインのエネルギー公式、ニュートンの万有引力公式などの古典的な公式を使用して実験を実施しました。

Φ-SOはこれらの式をデータから100%復元することができ、上記の手法は必須となります。

MLP への他の方法と比較して、Φ-SO はトレーニング範囲外でも優れたパフォーマンスを発揮します。

#研究チームは最終的に、アルゴリズム自体にはまだ改善の余地があるものの、主なタスクは新しいツールを使用して、未知のものを発見する 物理法則は消え去りました。

GitHub： //m.sbmmt.com/link/c338d814c14c9d479eb5ec0b99d887f6
論文:## //m.sbmmt.com/link/4738a8f6fab937d899ae9631beab116f

#参考リンク: [1] //m.sbmmt.com/link/5c8cb735a1ce65dac514233cbd5576d6

以上が物理学者が熱狂する AI ツールがオープンソースになりました!実験データに基づいて物理式を直接発見し、ラップトップで実行できます。の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。