ترجمه فارسی مقاله LifeGPT: مدل ترانسفورماتور از پیش آموزش دیده مولد توپولوژی-آگنوستیک برای اتوماتای ​​سلولی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی LifeGPT: Topology-Agnostic Generative Pretrained Transformer Model for Cellular Automata
عنوان مقاله به فارسی LifeGPT: مدل ترانسفورماتور از پیش آموزش دیده مولد توپولوژی-آگنوستیک برای اتوماتای ​​سلولی
نویسندگان Jaime A. Berkovich, Markus J. Buehler
فرمت مقاله انگلیسی PDF
تعداد صفحات 21
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Artificial Intelligence,Materials Science,Statistical Mechanics,Dynamical Systems,هوش مصنوعی , علوم مواد , مکانیک آماری , سیستم های دینامیکی ,
توضیحات Submitted 3 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 3 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The Game of Life (Life), a well known algorithm within the broader class of cellular automata (CA), exhibits complex emergent dynamics, with extreme sensitivity to initial conditions. Modeling and predicting such intricate behavior without explicit knowledge of the system's underlying topology presents a significant challenge, motivating the development of algorithms that can generalize across various grid configurations and boundary conditions. We develop a decoder-only generative pretrained transformer model to solve this problem, showing that our model can simulate Life on a toroidal grid with no prior knowledge on the size of the grid, or its periodic boundary conditions (LifeGPT). LifeGPT is topology-agnostic with respect to its training data and our results show that a GPT model is capable of capturing the deterministic rules of a Turing-complete system with near-perfect accuracy, given sufficiently diverse training data. We also introduce the idea of an `autoregressive autoregressor' to recursively implement Life using LifeGPT. Our results pave the path towards true universal computation within a large language model (LLM) framework, synthesizing of mathematical analysis with natural language processing, and probing AI systems for situational awareness about the evolution of such algorithms without ever having to compute them. Similar GPTs could potentially solve inverse problems in multicellular self-assembly by extracting CA-compatible rulesets from real-world biological systems to create new predictive models, which would have significant consequences for the fields of bioinspired materials, tissue engineering, and architected materials design.

چکیده به فارسی (ترجمه ماشینی)

Game of Life (زندگی) ، یک الگوریتم شناخته شده در کلاس وسیع تر از اتومات های سلولی (CA) ، پویایی پیچیده ای را با حساسیت شدید نسبت به شرایط اولیه نشان می دهد.مدل سازی و پیش بینی چنین رفتارهای پیچیده و بدون آگاهی صریح از توپولوژی اساسی سیستم ، یک چالش مهم را نشان می دهد و انگیزه توسعه الگوریتم ها را ایجاد می کند که می تواند در تنظیمات مختلف شبکه و شرایط مرزی تعمیم یابد.ما برای حل این مشکل یک مدل ترانسفورماتور تولیدی از پیش تولیدی فقط رمزگشایی ایجاد می کنیم ، نشان می دهد که مدل ما می تواند زندگی را در یک شبکه توروئیدی و بدون دانش قبلی در مورد اندازه شبکه یا شرایط مرزی دوره ای آن (Lifegpt) شبیه سازی کند.LifeGPT با توجه به داده های آموزشی خود توپولوژی-آگنوستیک است و نتایج ما نشان می دهد که یک مدل GPT قادر به ضبط قوانین قطعی یک سیستم تورینگ کامل با دقت تقریباً کامل است ، با توجه به داده های آموزشی متنوع.ما همچنین ایده "خودروهای خودجوش" را برای اجرای مجدد زندگی با استفاده از LifeGPT معرفی می کنیم.نتایج ما مسیری را به سمت محاسبات جهانی واقعی در یک چارچوب الگوی بزرگ زبان (LLM) ، سنتز تجزیه و تحلیل ریاضی با پردازش زبان طبیعی ، و بررسی سیستم های AI برای آگاهی موقعیتی در مورد تکامل چنین الگوریتم ها بدون اینکه مجبور به محاسبه آنها باشد ، هموار می کند.GPT های مشابه به طور بالقوه می توانند با استخراج قوانین سازگار با CA از سیستم های بیولوژیکی در دنیای واقعی برای ایجاد مدلهای پیش بینی جدید ، مشکلات معکوس در خود مونتاژ چند سلولی را حل کنند ، که این امر می تواند عواقب قابل توجهی برای زمینه های مواد بیوئننده ، مهندسی بافت و طراحی مواد معماری داشته باشد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.