기술 주변기기 일체 포함 AI에게 많은 물리학 지식을 제공하는 방법은 무엇입니까? EIT와 북경대학교 팀은 '규칙의 중요성'이라는 개념을 제안했습니다.

AI에게 많은 물리학 지식을 제공하는 방법은 무엇입니까? EIT와 북경대학교 팀은 '규칙의 중요성'이라는 개념을 제안했습니다.

Mar 14, 2024 pm 04:49 PM
이론

AI에게 많은 물리학 지식을 제공하는 방법은 무엇입니까? EIT와 북경대학교 팀은 규칙의 중요성이라는 개념을 제안했습니다.

Editor | ScienceAI

딥 러닝 모델은 방대한 양의 데이터에서 잠재 관계를 학습하는 능력으로 인해 과학 연구 분야에 지대한 영향을 미쳤습니다. 그러나 순수하게 데이터에만 의존하는 모델은 데이터에 대한 과도한 의존, 일반화 기능의 한계, 실제 물리적 세계와의 일관성 문제 등 한계를 점차 드러냅니다. 이러한 문제로 인해 연구자들은 데이터 기반 모델의 단점을 보완하기 위해 더 해석 가능하고 설명 가능한 모델을 탐색하게 됩니다. 따라서 더 많은 해석 가능성과 일반화 기능을 갖춘 모델을 구축하기 위해 도메인 지식과 데이터 기반 방법을 결합하는 것이 현재 과학 연구에서 중요한 방향이 되었습니다. 이런

예를 들어 미국 기업 OpenAI가 개발한 텍스트-비디오 모델 Sora는 뛰어난 이미지 생성 능력으로 높은 평가를 받으며 인공지능 분야에서 중요한 진전으로 평가됩니다. 사실적인 이미지와 비디오를 생성할 수 있음에도 불구하고 Sora는 여전히 중력 및 물체 조각화와 같은 물리 법칙을 다루는 데 몇 가지 어려움을 겪고 있습니다. Sora는 실제 시나리오를 시뮬레이션하는 데 상당한 진전을 이루었지만 물리 법칙을 이해하고 정확하게 시뮬레이션하는 데는 여전히 개선의 여지가 있습니다. AI 기술의 발전에는 다양한 실제 상황에 더 잘 적응하기 위해 모델의 포괄성과 정확성을 향상시키기 위한 지속적인 노력이 여전히 필요합니다.

이 문제를 해결하는 한 가지 잠재적인 방법은 인간의 지식을 딥 러닝 모델에 통합하는 것입니다. 사전 지식과 데이터를 결합함으로써 모델의 일반화 능력이 향상되어 물리 법칙을 이해할 수 있는 "정보화된 기계 학습" 모델이 탄생할 수 있습니다. 이러한 접근 방식은 모델의 성능과 정확성을 향상시켜 현실 세계의 복잡한 문제에 더 잘 대처할 수 있을 것으로 기대됩니다. 인간 전문가의 경험과 통찰력을 머신러닝 알고리즘에 통합함으로써 보다 지능적이고 효율적인 시스템을 구축할 수 있으며, 이를 통해 인공지능 기술의 개발 및 적용을 촉진할 수 있습니다.

현재 딥러닝에서 지식의 정확한 가치에 대한 심층적인 탐구가 여전히 부족합니다. 어떤 사전 지식이 "사전 학습" 모델에 효과적으로 통합될 수 있는지 결정하는 것이 시급한 문제입니다. 동시에 여러 규칙을 맹목적으로 통합하면 모델 실패로 이어질 수 있으므로 주의가 필요합니다. 이러한 제한으로 인해 데이터와 지식 간의 관계를 심층적으로 탐색하는 데 어려움이 따릅니다.

이 문제에 대응하기 위해 EIT(Eastern Institute of Technology)와 Peking University의 연구팀은 "규칙 중요도"라는 개념을 제안하고 모델의 예측 정확도에 대한 각 규칙의 기여도를 정확하게 계산할 수 있는 프레임워크를 개발했습니다. 이 프레임워크는 데이터와 지식 사이의 복잡한 상호 작용을 드러내고 지식 임베딩에 대한 이론적 지침을 제공할 뿐만 아니라 훈련 과정에서 지식과 데이터의 영향 균형을 맞추는 데도 도움이 됩니다. 또한 이 방법은 부적절한 선험적 규칙을 식별하는 데에도 사용될 수 있어 학제간 분야의 연구 및 적용에 대한 광범위한 전망을 제공합니다.

본 연구는 "사전 지식이 딥러닝에 미치는 영향"이라는 제목으로 Cell Press 산하 학제간 저널인 "Nexus"에 2024년 3월 8일 게재되었습니다. 이 연구는 AAAS(미국과학진흥협회)와 EurekAlert로부터 주목을 받았습니다!

AI에게 많은 물리학 지식을 제공하는 방법은 무엇입니까? EIT와 북경대학교 팀은 규칙의 중요성이라는 개념을 제안했습니다.

아이들에게 퍼즐을 가르칠 때 시행착오를 통해 답을 찾도록 하거나 몇 가지 기본 규칙과 기술을 안내할 수 있습니다. 마찬가지로 물리 법칙과 같은 규칙과 기술을 AI 훈련에 통합하면 더욱 현실적이고 효율적으로 만들 수 있습니다. 그러나 인공지능에서 이러한 규칙의 가치를 어떻게 평가하는가는 연구자들에게 늘 어려운 문제였습니다.

사전 지식의 다양성을 고려할 때 사전 지식을 딥 러닝 모델에 통합하는 것은 복잡한 다중 목표 최적화 작업입니다. 연구팀은 딥러닝 모델을 개선하는 데 있어 다양한 사전 지식의 역할을 정량화하기 위한 프레임워크를 혁신적으로 제안합니다. 그들은 이 과정을 협력과 경쟁으로 가득 찬 게임으로 보고, 모델 예측에 대한 한계 기여도를 평가하여 규칙의 중요성을 정의합니다. 먼저, 가능한 모든 규칙 조합(즉, "연합")이 생성되고, 각 조합에 대해 모델이 구축되며, 평균 제곱 오차가 계산됩니다.

계산 비용을 줄이기 위해 그들은 섭동에 기반한 효율적인 알고리즘을 채택했습니다. 먼저 완전히 데이터 기반 신경망을 기본 모델로 훈련한 다음 추가 훈련을 위해 각 규칙 조합을 하나씩 추가하고 마지막으로 모델 성능을 평가합니다. 테스트 데이터에. 규칙이 있거나 없는 모든 연합에서 모델 성능을 비교함으로써 해당 규칙의 한계 기여도와 그 중요성을 계산할 수 있습니다.

AI에게 많은 물리학 지식을 제공하는 방법은 무엇입니까? EIT와 북경대학교 팀은 규칙의 중요성이라는 개념을 제안했습니다.

그림: 규칙 중요도 계산 과정(출처: 논문)

연구원들은 유체 역학의 예를 통해 데이터와 규칙 사이의 복잡한 관계를 탐구했습니다. 그들은 데이터와 이전 규칙이 다양한 작업에서 완전히 다른 역할을 한다는 것을 발견했습니다. 테스트 데이터와 훈련 데이터의 분포가 유사한 경우(즉, 내분포) 데이터 양이 증가하면 규칙의 효과가 약화됩니다.

그러나 테스트 데이터와 훈련 데이터 간의 분포 유사성이 낮은 경우(즉, 분포 외) 전역 규칙의 중요성이 부각되는 반면 로컬 규칙의 영향력은 약화됩니다. 이 두 가지 유형의 규칙 사이의 차이점은 전역 규칙(예: 지배 방정식)은 전체 영역에 영향을 미치는 반면, 로컬 규칙(예: 경계 조건)은 특정 영역에만 작용한다는 것입니다.

AI에게 많은 물리학 지식을 제공하는 방법은 무엇입니까? EIT와 북경대학교 팀은 규칙의 중요성이라는 개념을 제안했습니다.

그림: 규칙의 중요성과 데이터 양의 관계(출처: 논문)

연구팀은 수치 실험을 통해 지식 임베딩에서 규칙 사이에 종속 효과와 시너지 효과라는 세 가지 상호 작용 효과가 있음을 발견했습니다. 효과와 대체효과.

종속성 효과는 일부 규칙이 효과적이기 위해 다른 규칙에 의존해야 한다는 것을 의미합니다. 시너지 효과는 함께 작동하는 여러 규칙의 효과가 독립적인 효과의 합을 초과한다는 것을 보여줍니다. 규칙의 기능은 다음으로 대체될 수 있습니다. 데이터 또는 기타 규칙.

이 세 가지 효과는 동시에 존재하며 데이터 양에 따라 영향을 받습니다. 규칙 중요도를 계산하면 이러한 효과가 명확하게 입증되어 지식 임베딩에 대한 중요한 지침을 제공할 수 있습니다.

응용 수준에서 연구팀은 지식 임베딩 프로세스의 핵심 문제, 즉 임베딩 효율성을 개선하고 부적절한 사전 지식을 걸러내기 위해 데이터와 규칙의 역할 균형을 맞추는 방법을 해결하려고 노력했습니다. 모델의 훈련 과정에서 팀은 규칙의 가중치를 동적으로 조정하는 전략을 제안했습니다.

구체적으로, 훈련 반복 단계가 증가함에 따라 긍정적 중요도 규칙의 가중치는 점차 증가하는 반면, 부정적 중요도 규칙의 가중치는 감소합니다. 이 전략은 최적화 프로세스의 필요에 따라 실시간으로 다양한 규칙에 대한 모델의 주의를 조정할 수 있으므로 보다 효율적이고 정확한 지식 임베딩을 달성할 수 있습니다.

또한 AI 모델에 물리 법칙을 가르치면 해당 모델이 "실제 세계와 더 관련성이 높아져 과학 및 공학에서 더 큰 역할을 수행"할 수 있습니다. 따라서 이 프레임워크는 공학, 물리학, 화학 분야에서 광범위하게 실용적으로 적용됩니다. 연구진은 다변량 방정식을 풀기 위해 기계 학습 모델을 최적화했을 뿐만 아니라 박층 크로마토그래피 분석을 위한 예측 모델의 성능을 향상시키는 규칙을 정확하게 식별했습니다.

실험 결과에 따르면 이러한 효과적인 규칙을 통합하면 모델 성능이 크게 향상되고 테스트 데이터 세트의 평균 제곱 오차가 0.052에서 0.036으로 감소합니다(30.8% 감소). 이는 프레임워크가 경험적 통찰력을 구조화된 지식으로 변환하여 모델 성능을 크게 향상시킬 수 있음을 의미합니다.

일반적으로 지식의 가치를 정확하게 평가하는 것은 보다 현실감 있고 안전성과 신뢰성을 향상시키는 AI 모델을 구축하는 데 도움이 되며 딥 러닝 개발에 큰 의미가 있습니다.

AI에게 많은 물리학 지식을 제공하는 방법은 무엇입니까? EIT와 북경대학교 팀은 규칙의 중요성이라는 개념을 제안했습니다.

그림: 규칙 중요도를 통해 효과적인 규칙 식별(출처: 논문)

다음으로 연구팀은 프레임워크를 인공지능 개발자가 사용할 수 있는 플러그인 도구로 개발할 계획입니다. 이들의 궁극적인 목표는 데이터에서 직접 지식과 규칙을 추출하고 스스로 개선할 수 있는 모델을 개발함으로써 지식 발견부터 지식 임베딩까지 폐쇄 루프 시스템을 만들어 모델을 진정한 인공지능 과학자로 만드는 것입니다.

논문 링크: https://www.cell.com/nexus/fulltext/S2950-1601(24)00001-9

AAAS 보고서 링크: https://www.eurekalert.org/news-releases/1036117

위 내용은 AI에게 많은 물리학 지식을 제공하는 방법은 무엇입니까? EIT와 북경대학교 팀은 '규칙의 중요성'이라는 개념을 제안했습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

본 웹사이트의 성명
본 글의 내용은 네티즌들의 자발적인 기여로 작성되었으며, 저작권은 원저작자에게 있습니다. 본 사이트는 이에 상응하는 법적 책임을 지지 않습니다. 표절이나 침해가 의심되는 콘텐츠를 발견한 경우 admin@php.cn으로 문의하세요.

핫 AI 도구

Undresser.AI Undress

Undresser.AI Undress

사실적인 누드 사진을 만들기 위한 AI 기반 앱

AI Clothes Remover

AI Clothes Remover

사진에서 옷을 제거하는 온라인 AI 도구입니다.

Undress AI Tool

Undress AI Tool

무료로 이미지를 벗다

Clothoff.io

Clothoff.io

AI 옷 제거제

AI Hentai Generator

AI Hentai Generator

AI Hentai를 무료로 생성하십시오.

뜨거운 도구

메모장++7.3.1

메모장++7.3.1

사용하기 쉬운 무료 코드 편집기

SublimeText3 중국어 버전

SublimeText3 중국어 버전

중국어 버전, 사용하기 매우 쉽습니다.

스튜디오 13.0.1 보내기

스튜디오 13.0.1 보내기

강력한 PHP 통합 개발 환경

드림위버 CS6

드림위버 CS6

시각적 웹 개발 도구

SublimeText3 Mac 버전

SublimeText3 Mac 버전

신 수준의 코드 편집 소프트웨어(SublimeText3)

'Defect Spectrum'은 기존 결함 감지의 경계를 뛰어넘어 초고정밀 및 풍부한 의미론적 산업 결함 감지를 최초로 달성합니다. 'Defect Spectrum'은 기존 결함 감지의 경계를 뛰어넘어 초고정밀 및 풍부한 의미론적 산업 결함 감지를 최초로 달성합니다. Jul 26, 2024 pm 05:38 PM

현대 제조업에서 정확한 결함 검출은 제품 품질을 보장하는 열쇠일 뿐만 아니라 생산 효율성을 향상시키는 핵심이기도 합니다. 그러나 기존 결함 감지 데이터세트는 실제 적용에 필요한 정확성과 의미론적 풍부함이 부족한 경우가 많아 모델이 특정 결함 카테고리나 위치를 식별할 수 없게 됩니다. 이 문제를 해결하기 위해 광저우 과학기술대학교와 Simou Technology로 구성된 최고 연구팀은 산업 결함에 대한 상세하고 의미론적으로 풍부한 대규모 주석을 제공하는 "DefectSpectrum" 데이터 세트를 혁신적으로 개발했습니다. 표 1에서 볼 수 있듯이, 다른 산업 데이터 세트와 비교하여 "DefectSpectrum" 데이터 세트는 가장 많은 결함 주석(5438개의 결함 샘플)과 가장 상세한 결함 분류(125개의 결함 카테고리)를 제공합니다.

NVIDIA 대화 모델 ChatQA는 버전 2.0으로 발전했으며 컨텍스트 길이는 128K로 언급되었습니다. NVIDIA 대화 모델 ChatQA는 버전 2.0으로 발전했으며 컨텍스트 길이는 128K로 언급되었습니다. Jul 26, 2024 am 08:40 AM

오픈 LLM 커뮤니티는 백개의 꽃이 피어 경쟁하는 시대입니다. Llama-3-70B-Instruct, QWen2-72B-Instruct, Nemotron-4-340B-Instruct, Mixtral-8x22BInstruct-v0.1 등을 보실 수 있습니다. 훌륭한 연기자. 그러나 GPT-4-Turbo로 대표되는 독점 대형 모델과 비교하면 개방형 모델은 여전히 ​​많은 분야에서 상당한 격차를 보이고 있습니다. 일반 모델 외에도 프로그래밍 및 수학을 위한 DeepSeek-Coder-V2, 시각 언어 작업을 위한 InternVL과 같이 핵심 영역을 전문으로 하는 일부 개방형 모델이 개발되었습니다.

Google AI가 IMO 수학 올림피아드 은메달을 획득하고 수학적 추론 모델 AlphaProof가 출시되었으며 강화 학습이 다시 시작되었습니다. Google AI가 IMO 수학 올림피아드 은메달을 획득하고 수학적 추론 모델 AlphaProof가 출시되었으며 강화 학습이 다시 시작되었습니다. Jul 26, 2024 pm 02:40 PM

AI의 경우 수학 올림피아드는 더 이상 문제가 되지 않습니다. 목요일에 Google DeepMind의 인공 지능은 AI를 사용하여 올해 국제 수학 올림피아드 IMO의 실제 문제를 해결하는 위업을 달성했으며 금메달 획득에 한 걸음 더 다가섰습니다. 지난 주 막 끝난 IMO 대회에는 대수학, 조합론, 기하학, 수론 등 6개 문제가 출제됐다. 구글이 제안한 하이브리드 AI 시스템은 4문제를 맞혀 28점을 얻어 은메달 수준에 이르렀다. 이달 초 UCLA 종신 교수인 테렌스 타오(Terence Tao)가 상금 100만 달러의 AI 수학 올림피아드(AIMO Progress Award)를 추진했는데, 예상외로 7월 이전에 AI 문제 해결 수준이 이 수준으로 향상됐다. IMO에서 동시에 질문을 해보세요. 가장 정확하게 하기 어려운 것이 IMO인데, 역사도 가장 길고, 규모도 가장 크며, 가장 부정적이기도 합니다.

대형 모델에 대한 새로운 과학적이고 복잡한 질문 답변 벤치마크 및 평가 시스템을 제공하기 위해 UNSW, Argonne, University of Chicago 및 기타 기관이 공동으로 SciQAG 프레임워크를 출시했습니다. 대형 모델에 대한 새로운 과학적이고 복잡한 질문 답변 벤치마크 및 평가 시스템을 제공하기 위해 UNSW, Argonne, University of Chicago 및 기타 기관이 공동으로 SciQAG 프레임워크를 출시했습니다. Jul 25, 2024 am 06:42 AM

편집자 |ScienceAI 질문 응답(QA) 데이터 세트는 자연어 처리(NLP) 연구를 촉진하는 데 중요한 역할을 합니다. 고품질 QA 데이터 세트는 모델을 미세 조정하는 데 사용될 수 있을 뿐만 아니라 LLM(대형 언어 모델)의 기능, 특히 과학적 지식을 이해하고 추론하는 능력을 효과적으로 평가하는 데에도 사용할 수 있습니다. 현재 의학, 화학, 생물학 및 기타 분야를 포괄하는 과학적인 QA 데이터 세트가 많이 있지만 이러한 데이터 세트에는 여전히 몇 가지 단점이 있습니다. 첫째, 데이터 형식이 비교적 단순하고 대부분이 객관식 질문이므로 평가하기 쉽지만 모델의 답변 선택 범위가 제한되고 모델의 과학적 질문 답변 능력을 완전히 테스트할 수 없습니다. 이에 비해 개방형 Q&A는

자연의 관점: 의학 분야의 인공지능 테스트는 혼란에 빠졌습니다. 어떻게 해야 할까요? 자연의 관점: 의학 분야의 인공지능 테스트는 혼란에 빠졌습니다. 어떻게 해야 할까요? Aug 22, 2024 pm 04:37 PM

Editor | ScienceAI 제한된 임상 데이터를 기반으로 수백 개의 의료 알고리즘이 승인되었습니다. 과학자들은 누가 도구를 테스트해야 하며 최선의 방법은 무엇인지에 대해 토론하고 있습니다. 데빈 싱(Devin Singh)은 응급실에서 오랜 시간 치료를 기다리던 중 심장마비를 겪는 소아환자를 목격했고, 이를 계기로 대기시간을 단축하기 위해 AI 적용을 모색하게 됐다. SickKids 응급실의 분류 데이터를 사용하여 Singh과 동료들은 잠재적인 진단을 제공하고 테스트를 권장하는 일련의 AI 모델을 구축했습니다. 한 연구에 따르면 이러한 모델은 의사 방문 속도를 22.3% 단축하여 의료 검사가 필요한 환자당 결과 처리 속도를 거의 3시간 단축할 수 있는 것으로 나타났습니다. 그러나 인공지능 알고리즘의 연구 성공은 이를 입증할 뿐이다.

수백만 개의 결정 데이터로 훈련하여 결정학적 위상 문제를 해결하는 딥러닝 방법인 PhAI가 Science에 게재되었습니다. 수백만 개의 결정 데이터로 훈련하여 결정학적 위상 문제를 해결하는 딥러닝 방법인 PhAI가 Science에 게재되었습니다. Aug 08, 2024 pm 09:22 PM

Editor |KX 오늘날까지 단순한 금속부터 큰 막 단백질에 이르기까지 결정학을 통해 결정되는 구조적 세부 사항과 정밀도는 다른 어떤 방법과도 비교할 수 없습니다. 그러나 가장 큰 과제인 소위 위상 문제는 실험적으로 결정된 진폭에서 위상 정보를 검색하는 것입니다. 덴마크 코펜하겐 대학의 연구원들은 결정 위상 문제를 해결하기 위해 PhAI라는 딥러닝 방법을 개발했습니다. 수백만 개의 인공 결정 구조와 그에 상응하는 합성 회절 데이터를 사용하여 훈련된 딥러닝 신경망은 정확한 전자 밀도 맵을 생성할 수 있습니다. 연구는 이 딥러닝 기반의 순순한 구조 솔루션 방법이 단 2옹스트롬의 해상도로 위상 문제를 해결할 수 있음을 보여줍니다. 이는 원자 해상도에서 사용할 수 있는 데이터의 10~20%에 해당하는 반면, 기존의 순순한 계산은

SOTA 성능, 샤먼 다중 모드 단백질-리간드 친화성 예측 AI 방법, 최초로 분자 표면 정보 결합 SOTA 성능, 샤먼 다중 모드 단백질-리간드 친화성 예측 AI 방법, 최초로 분자 표면 정보 결합 Jul 17, 2024 pm 06:37 PM

Editor | KX 약물 연구 및 개발 분야에서 단백질과 리간드의 결합 친화도를 정확하고 효과적으로 예측하는 것은 약물 스크리닝 및 최적화에 매우 중요합니다. 그러나 현재 연구에서는 단백질-리간드 상호작용에서 분자 표면 정보의 중요한 역할을 고려하지 않습니다. 이를 기반으로 Xiamen University의 연구자들은 처음으로 단백질 표면, 3D 구조 및 서열에 대한 정보를 결합하고 교차 주의 메커니즘을 사용하여 다양한 양식 특징을 비교하는 새로운 다중 모드 특징 추출(MFE) 프레임워크를 제안했습니다. 조정. 실험 결과는 이 방법이 단백질-리간드 결합 친화도를 예측하는 데 있어 최첨단 성능을 달성한다는 것을 보여줍니다. 또한 절제 연구는 이 프레임워크 내에서 단백질 표면 정보와 다중 모드 기능 정렬의 효율성과 필요성을 보여줍니다. 관련 연구는 "S"로 시작된다

텍스트 다루기, 위치 지정 및 분할 작업을 담당하는 Zhiyuan과 홍콩 중국인이 공동으로 최초의 다기능 3D 의료 다중 모드 대형 모델을 제안했습니다. 텍스트 다루기, 위치 지정 및 분할 작업을 담당하는 Zhiyuan과 홍콩 중국인이 공동으로 최초의 다기능 3D 의료 다중 모드 대형 모델을 제안했습니다. Jun 22, 2024 am 07:16 AM

저자 | 편집자 홍콩 중문 대학교 | ScienceAI 최근 홍콩 중문 대학교와 Zhiyuan은 3D 의료 이미지를 홍보하기 위해 M3D-Data, M3D-LaMed 및 M3D-Bench를 포함한 M3D 시리즈 작업을 제안했습니다. 데이터 세트, 모델 및 평가의 모든 측면에서 분석 개발. (1) M3D-Data는 현재 M3D-Cap(120K3D 이미지 및 텍스트 쌍), M3D-VQA(510K 질문 및 답변 쌍), M3D-Seg(150K3DMask), M3D-RefSeg( 3K 추론 세분화) 총 4개의 하위 데이터 세트. (2) M3D-LaMed는 현재 가장 다재다능한 3D 의료용 다중 모드 대형 모델입니다.

See all articles