Dec, 2023

天体机器学习：运用 AI Feynman，从数据到火星和更远

PDF
TL;DR机器学习算法通过天文观测单独发现或学习开普勒第一定律，我们使用受物理启发的符号回归工具 AI Feynman 来模拟约翰尼斯・开普勒使用鲁道夫表发现了火星轨道方程。
machine learningalgorithmkepler's first lawastronomical sightingssymbolic regression
发现论文，激发创造
  • 天体机器学习：用 AI Feynman 发现火星的平面性、太阳中心性和轨道方程

    机器学习、算法、火星轨道、符号回归和开普勒第一定律的发现。

    Dec, 2023

  • 科学界的 AI Oracle 的夙愿

    通过与科学和人工智能哲学的见解，我们提出了创造革命性数学理论的机制所需的条件，并借鉴人工智能的最新进展，认为机器满足这些条件可能是合理的。我们还提出了数学理论的可理解性的启发式定义，以加速机器理论家的发展。

    Jun, 2024

  • AI Feynman：一种基于物理启发的符号回归方法

    通过将神经网络和物理启发式技术结合起来，我们开发了一种递归多维符号回归算法，将其应用于来自费曼物理学讲义的 100 个方程，并成功发现了所有未知函数方程。

    May, 2019

  • 从开普勒到牛顿：用可解释的人工智能探索科学

    本文介绍了可解释 AI 在科学研究中发现新的数据模型，提出新的思想假设和科学发现的作用和意义，并通过重现 Tycho Brahe 的天文观测数据，展示了 AI 在科学发现中的应用。

    Nov, 2021

  • 发现自然定律的机器学习

    提出一种基于达尔文自然选择原理的计算模型，通过决策树和值函数树重建实体的轨迹，提供了一种通过机器学习学习观测历史数据、发现自然法则的算法模型。

    Mar, 2023

  • 机器天文学：神经网络在天文学中的历史、基础知识与展望

    该文讨论深度学习在天文学领域的应用，以及在天文数据训练深度学习模型方面的优势，并预测将会进入第四波基础模型迭代的天文连接主义时代。

    Nov, 2022

  • 天文学中的机器学习：实用概述

    本文主要介绍了天文学中大数据和机器学习的应用，重点讲解了监督机器学习和无监督机器学习两种算法，包括数据预处理、评估方法、支持向量机、随机森林、浅层神经网络、聚类分析、降维、可视化和异常检测等方面，旨在提高天文学家使用这些工具从海量数据中挖掘新知识的能力。

    Apr, 2019

  • 利用人工智能工具重建观测到的机械运动

    利用神经网络的数学模型和机械系统的物理规律来模拟物体运动的曲线轨迹，并在数值模拟中满足所观测到的所有规律，从而在实验数据上成功地再现简正运动和混沌运动。

    Feb, 2022

  • 关于人工智能和机器学习的费曼观点，附更新

    本文回顾了 Richard Feynman 在 1980 年代中期对人工智能和神经网络的兴趣，并将其放置在当时物理相关的神经网络技术背景下。作者试图在当今的技术进步和 Feynman 的想法之间进行评估。本文讨论了 Feynman 的兴趣，认为其中有些已经实现，有些仍然令人兴奋地开放，特别是在计算科学方面，可能包括其中的符号计算方法的复兴。

    Aug, 2022

  • 太阳物理中的机器学习

    机器学习可以在太阳物理学中应用，帮助我们更深入地了解太阳大气中发生的复杂过程，并通过更复杂的模型来解释数据以及通过自动化分析太阳数据，减少人工劳动，提高研究效率。

    Jun, 2023