通过神经网络架构,将物理系统中不同方面的信息以最高效的方式传递,以实现表述不同实验条件下有用参数的分离及筛选, 实现了针对不同参数需求的物理系统抽象表示, 并且可以与强化学习相结合实现交互式场景下的物理系统表征学习。
Jan, 2020
在现代架构上,使用随机梯度下降算法训练模型可以更好地了解抽象概念,但仍然需要不断交互和验证以理解物理概念,并通过控制数据采集过程获得积极的观察结果。然而,使用有限的资源和时间将物理实体绑定到数字身份是解决信号到符号障碍问题的一个潜在方法,但需要不断的验证和咨询。
Jul, 2022
本文综述了基于直觉物理的深度学习方法在物理推理方面的最新进展和技术。将现有的深度学习技术分为三个方面的物理推理,并将其组织为三种一般的技术方法,提出了该领域的六个分类任务。最后,本文强调了当前领域的挑战并提出了一些未来的研究方向。
Feb, 2022
本文介绍了一个无需监督训练的系统 PHYsical Concepts Inference NEtwork (PHYCINE),该系统可以发现和表示物理概念,包括物质和电荷,并且使用这些变量来获得比仅使用可见对象特征更好的因果推理性能。
Mar, 2023
该论文提出了一种神经模型,同时基于物理学原理和视觉先验进行推理和预测,通过对粒子的估计预测物理参数,即视觉基础,并在刚体、可变形材料和流体的复杂环境中证明了它的有效性,允许模型在几次观察内推断出物理特性,从而快速适应未见过的场景并进行准确的未来预测。
Apr, 2020
比较神经网络和生物电路之间的相似和不同,研究探讨了从生物学的行为和可理解的理由中深入了解神经网络从数据中学习的见解。
Mar, 2022
用深度学习方法建模复杂现象,以海表温度预测为例,展示了从物理学中获取的背景知识如何指导设计高效的深度学习模型,并证明了一个物理现象的微分方程的解与提出的模型之间的形式上的联系。
Nov, 2017
该研究审查了通过提出分类法来将人类可理解的概念与神经网络中的内部表示相对应的研究,并发现了与模型可解释性目标有关的文学研究中的歧义,即是理解机器学习模型还是在部署领域有用的可行解释。
Dec, 2022
该研究探讨了使用神经网络进行机械现象端到端长期预测的有效性,结果表明这种方法可以在一些物理参数未知的情况下,优于其他方法,同时还可以输出结果的分布来捕获数据的不确定性,从而展示了用于不需要明确建模基本物理规律的传感器数据进行可行的长期预测的可能性。
Mar, 2017
综述了最近的方法来解释神经网络中的概念,强调了将学习和推理结合起来的重要性,并探讨了将概念知识插入神经网络架构的可能性,为实现基于可解释概念的神经符号人工智能迈出重要一步。
Oct, 2023