「ファインマン物理学方程式を機械学習で発見する：AI Feynman | AI-SCHOLAR | AI：(人工知能)論文・技術情報メディア」

3つの要点✔️ 問題を単純で、変数の少ないものに変換する事を繰り返して解く✔️ ニューラルネットワークによって関数同定問題を改善✔️ 既存のソフトウェアを上回る予測精度を達成 AI Feynman: a Physics-Inspired Method for Symbolic Regressionwritten by Silviu-Marian Udrescu (MIT), Max Tegmark (MIT)(Submitted on 27 May 2019 (v1), last revised 15 Apr 2020 (this version, v2))Comments: Published on arxiv.Subjects: Computational Physics (physics.comp-ph); Artificial Intelligence (cs.AI); Machine Learning (cs.LG); High Energy Physics - Theory (hep-th)code：  本記事で使用している画像は論文中のもの、またはそれを参考に作成したものを使用しております。 はじめに1601年、ケプラーは火星のデータから軌道を説明する事を試み、40回の失敗の末、軌道が楕円であることを発見しました。これが、特定のデータに一致する記号式を発見する、シンボリック回帰の一例です。最も単純なシンボリック回帰は、線形結合による線形回帰ですが、一般的なシンボリック回帰問題は未だ未解決のままです。その理由は、関数を記号の文字列としてエンコードすると、それは文字列の長さとともに指数関数的に増加するため、全ての文字列をテストする事は計算量的に困難であるからです。遺伝的アルゴリズムはこの様に巨大な探索空間での課題解決手法であり、シンボリック回帰問題で成功しているEureqaソフトウェアにも実装されています。この研究ではニューラルネットワークによってこの最先端技術を更に改善します。

ai-scholar.tech

Webページ

コンテンツ文字数：0 文字

見出し数（H2/H3タグ）：0 個

閲覧数：166 件

2021-09-03 08:11:48

オリジナルページを開く

B!