پژوهش
چارچوبی برای سنجش اعتبار مدل‌های هوش مصنوعی در برابر کمیت‌های علمی مختلف
پیش‌چاپی در arXiv پیشنهاد می‌کند اعتبار تقریب‌های علمی را با توجه به کمیت مورد سنجش، معیار خطا، دامنهٔ پارامترها و پاسخ به مداخله جداگانه ثبت و ارزیابی کنیم.
پژوهشگران در پیش‌چاپی تازه، چارچوبی برای ارزیابی اعتبار هوش مصنوعی علمی ارائه کرده‌اند که میان بازتولید یک کمیت و پیش‌بینی درست پاسخ آن تمایز می‌گذارد. به‌گفتهٔ نویسندگان، یک تقریب ممکن است انرژی را درست بازتولید کند، اما در پیش‌بینی پاسخ به تغییرات ناکام بماند؛ همچنین قرارگرفتن خطا در محدوده‌ای تعیین‌شده لزوماً به معنای تأیید آن با یک کران خطای مشخص نیست.
این چارچوب برای هر کاهش یا تقریب، مدلی مرجع، معیار خطا، آستانهٔ پذیرش، دامنهٔ پارامترها و تبدیل‌ها یا مداخله‌های مورد بررسی را ثبت می‌کند. نویسندگان با ارائهٔ گواه‌های صریح برای جابه‌جایی و سرعت در یک نوسانگرِ دارای اغتشاش تکین، به ترتیب‌های همگرایی متفاوتی می‌رسند و شرایط کافی برای اعتبار را به دست می‌دهند. در نمونه‌ای دیگر، روابط دقیق مدل Hubbard dimer نشان می‌دهد دامنهٔ کوپلینگ پذیرفته‌شده بر اساس معیار انرژی با دامنهٔ پذیرفته‌شده بر اساس معیار پاسخ یکسان نیست.
در ۱۶ برازش تکراری شبکهٔ عصبی، اعمال شرط همگنی بُعدی خطای انتقال مقیاس انرژی را کاهش داد؛ با این حال، چکیدهٔ در دسترس مقدار کامل این کاهش را بیان نمی‌کند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده