抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
Newton力学の基本的法則はよく理解されているが,物理的シナリオの説明は,適切な方程式で問題を手動でモデリングし,関連するパラメータを推定することを必要とする。そのような物理関連文脈における人工知能技術の近似能力を活用するために,研究者は関連状態を手作り,次に,訓練データとしてシミュレーション実行を用いて状態遷移を学習するためにニューラルネットワークを使用した。残念なことに,そのようなアプローチは複雑な実世界シナリオのモデリングに不適当であり,そこでは手動で関連する状態空間が退屈で挑戦的である傾向がある。本研究では,ニューラルネットワークが視覚データのみに基づく実世界機械プロセスの物理状態を暗黙的に学習できるかどうかを調べ,一方,内部モデリング非均質環境およびプロセスにおいて,長期物理的外挿を可能にした。このタスクのための再帰ニューラルネットワークアーキテクチャを開発し,また,進化する分散推定の形で得られた不確実性を特性化した。ここでは,様々な形状および方位のボウル上の回転ボール(s)の運動を外挿し,入力として画像のみを用いて任意の高さ場で,この設定を評価した。予測の精度とシナリオの複雑性の両方に関して,既存の画像ベースの方法に関する重要な改良を報告する。そして,内部物理状態へのアクセスを仮定するアプローチとの競合性能を報告した。【JST・京大機械翻訳】