虽然在大型数据集上训练的神经网络已经成功地用于描述和预测许多物理现象,但科学家有一种感觉,与传统的科学模型不同,这种关系以简单的数学表达式形式包装,神经网络的发现不能整合到科学知识中。 对 ML 无法产生人类可以理解的关系的批评者已经融合了“可解释性”的概念,因为它与更传统的科学形式相去甚远。 正如对可解释性的兴趣日益浓厚所表明的那样,物理科学的研究人员不仅寻求预测模型,而且还寻求揭示支配兴趣系统的基本原则。 然而,文献中缺乏对可解释性的定义及其在科学中的确切作用的清晰度。 在这项工作中,我们认为方程发现和符号回归的研究人员倾向于将易感性的概念与可解释性混为一谈。 我们回顾了来自科学界外部的可解释ML的关键论文,并认为,尽管他们提出的定义和方法可以为SciML的解释性问题提供信息,但它们不足以实现这一新目的。 注意到这些缺陷,我们提出了物理科学可解释性的操作定义。 我们的可解释性概念强调对数学原理的理解。 虽然看起来是无害的,但这种对机制的强调表明,狭隘往往是不必要的。 它还质疑在缺乏先验知识时可解释的科学发现的可能性。 我们相信,对SciML可解释性的准确和哲学上知情的定义将有助于将研究工作集中在实现数据驱动的科学未来的最重大障碍上。
我们介绍了学术家谱或AG的概念,并说明了如何构建AG图表,然后演示如何使用这种方法,将其应用于创建部分或完整的AG图表给两位科学家,Paul A。 萨缪尔森和罗纳德·E。 米肯斯。
本文提出了一种新的理论模型,以解释人类思维和人工智能如何通过减少感知延迟来接近实时意识。 通过研究宇宙信号延迟,神经反应时间和古老的静止认知状态,我们探索如何从反应感知转变为与不久的将来有意识的界面。 本文引入了一种物理和认知模型,用于感知当前不是线性时间戳,而是作为早期到达的宇宙信号和反应性人类延迟相交的干扰区域。 我们提出了使用人类神经观察和神经接受扩展来测试这些想法的实验方法。 最后,我们提出了一个数学框架,以指导人工智能系统向时间高效,道德健全和内部意识决策过程的演变。
我们提出了一个正式框架,用于理解和统一物理学,计算机科学,哲学和相关领域的观察者概念。 基于控制性反馈模型,我们引入了最小观察者的操作定义,探索他们在塑造基本概念方面的作用,并确定在它们不存在时未指明的内容。 根据量子引力、数字物理学、二阶控制论和最近的测谎方法的见解,我们认为观察者是测量、参考框架和意义出现不可或缺的参考点。 我们展示了这种形式主义如何为与意识,量子测量和计算边界相关的辩论提供新的线索;通过关于观察者等价和复杂性度量的定理。 这种观点为研究自然和人工系统中的复杂性和结构如何产生开辟了新的途径。
No more items to load.