Working without data: overcoming gaps in deep learning and physics-based extrapolation

Автор: Isaac Tamblyn

Загружено: 2020-03-13

Просмотров: 205

Описание:

Despite its many recent successes, several fundamental issues remain with the application of deep learning to experimental data and first-principles based simulation.

These problems include the ability to extrapolate to unseen experimental conditions, transfer knowledge across length-scales, and the challenge of interpreting results within a physically motivated framework. Other challenges include the lack of a standardized methodology for reporting and understanding model errors as well as the frequent requirement for large quantities of data.

I will outline some of our ongoing efforts to address some of these challenges, with special attention paid to the concept of extrapolation (including the physical conditions of study and across length scales).

Links to preprints and published papers:

https://arxiv.org/abs/2003.02647
https://arxiv.org/abs/2003.00011
https://arxiv.org/abs/2002.07055

https://pubs.rsc.org/en/content/artic...
https://linkinghub.elsevier.com/retri...

Working without data: overcoming gaps in deep learning and physics-based extrapolation

Доступные форматы для скачивания:

Скачать видео mp4

Информация по загрузке:

Скачать аудио mp3

Похожие видео

Machine learning potentials always extrapolate, it does not matter

Machine learning potentials always extrapolate, it does not matter

Но что такое нейронная сеть? | Глава 1. Глубокое обучение

Но что такое нейронная сеть? | Глава 1. Глубокое обучение

Как сжимаются изображения? [46 МБ ↘↘ 4,07 МБ] JPEG в деталях

Как сжимаются изображения? [46 МБ ↘↘ 4,07 МБ] JPEG в деталях

LLM и GPT - как работают большие языковые модели? Визуальное введение в трансформеры

LLM и GPT - как работают большие языковые модели? Визуальное введение в трансформеры

Удалось ли Терри Тао решить уравнение стоимостью 1 000 000 долларов, которое нарушает законы физики?

Удалось ли Терри Тао решить уравнение стоимостью 1 000 000 долларов, которое нарушает законы физики?

Визуализация скрытого пространства: PCA, t-SNE, UMAP | Глубокое обучение с анимацией

Визуализация скрытого пространства: PCA, t-SNE, UMAP | Глубокое обучение с анимацией

Физически-информированные нейронные сети (PINN) [Машинное обучение с учетом физики]

Физически-информированные нейронные сети (PINN) [Машинное обучение с учетом физики]

Теорема Байеса, геометрия изменения убеждений

Теорема Байеса, геометрия изменения убеждений

Анализ закономерностей деградации литий-ионных батарей методом импедансной спектроскопии с исполь...

Анализ закономерностей деградации литий-ионных батарей методом импедансной спектроскопии с исполь...

Синьор 1С: 10 привычек, без которых ты не вырастешь

Синьор 1С: 10 привычек, без которых ты не вырастешь

FORMATION DEEP LEARNING COMPLETE (2021)

FORMATION DEEP LEARNING COMPLETE (2021)

Что происходит с нейросетью во время обучения?

Что происходит с нейросетью во время обучения?

Building a GAN From Scratch With PyTorch | Theory + Implementation

Building a GAN From Scratch With PyTorch | Theory + Implementation

Объяснение Transformers: понимание модели, лежащей в основе GPT, BERT и T5

Объяснение Transformers: понимание модели, лежащей в основе GPT, BERT и T5

Доступное Введение в Машинное Обучение

Доступное Введение в Машинное Обучение

Все, что вам нужно знать о теории управления

Все, что вам нужно знать о теории управления

Магия транзисторов: как мы научили компьютеры думать с помощью кусочков кремния?

Магия транзисторов: как мы научили компьютеры думать с помощью кусочков кремния?

Градиентный спуск, как обучаются нейросети | Глава 2, Глубинное обучение

Градиентный спуск, как обучаются нейросети | Глава 2, Глубинное обучение

Почему простые числа образуют эти спирали? | Теорема Дирихле и пи-аппроксимации

Почему простые числа образуют эти спирали? | Теорема Дирихле и пи-аппроксимации

Понимание Z-преобразования

Понимание Z-преобразования