پژوهش
چارچوبی برای ممیزی فیزیکی مدل‌های یادگیری ماشین علمی
پژوهشگران PA-SciML را معرفی کرده‌اند؛ روشی که پیش از جست‌وجوی مدل، الزامات فیزیکی را تعیین می‌کند و آن‌ها را بدون نیاز به پاسخ مرجع می‌سنجد.
پیش‌چاپی در arXiv چارچوبی به نام Physics-Audited Agentic SciML (PA-SciML) معرفی می‌کند که عامل‌های مبتنی بر مدل‌های زبانی بزرگ را با ممیزی فیزیکی ترکیب می‌کند. انگیزهٔ پژوهش این است که مدل‌های جانشینِ مکانیک ممکن است خطای اعتبارسنجی کمی داشته باشند، اما همچنان با الزامات فیزیکی ناسازگار باشند.
در این چارچوب، الزام‌هایی مانند برهم‌نهی، شرایط مرزی و علیت پیش از جست‌وجوی مدل به‌صورت «قرارداد» تعریف می‌شوند. سپس این الزام‌ها روی میدان‌های پیش‌بینی‌شده و بدون استفاده از پاسخ‌های مرجع بررسی می‌شوند؛ از جمله با جست‌وجویی خصمانه. نتیجهٔ ممیزی در پیشنهادهای بعدی عامل‌ها و انتخاب مدل اثر می‌گذارد، اما جدا از خطای اعتبارسنجی گزارش می‌شود. پژوهش همچنین آزمون‌های تک‌تغییری را برای مستندسازی تغییرهای طراحیِ قابل استفادهٔ دوباره به کار می‌گیرد.
چکیده می‌گوید این روش روی چهار مسئلهٔ مکانیک جامدات با پیچیدگی فزاینده، از الاستیسیتهٔ پارامتری تا مسئله‌ای در محیط ناهمگن، بررسی شده است؛ اما متن ارائه‌شده جزئیات نتایج را در بر ندارد.
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