Búsqueda · 33 momentos en 21 episodios
Sara RobiscoJuan Carlos GilFrancis VillatoroHéctor SocasGastón Giribetred neuronal aprende error observaciónsubredes capas suma entradafunción error menos entradaresnet aprende el restored neuronal convolucional datos grandesprecisión superior al 90 por ciento ligovirgokagraentrenamiento con pocos datos fusión estrellas neutronesSara RobiscoResNetLIGOVirgoKAGRAChinaeje XFrancis VillatoroJuan Carlos Gilmotores de efecto Hallmodelo Hall NNJuan Carlos
Subredes capas suma entrada
Con
0:000:301:001:302:002:303:12
Sara Robisco explica cómo los investigadores están desarrollando una red neuronal que no aprende la solución directamente, sino el error o residuo entre la solución verdadera y la observación.
…es igual a los restos, digo no, los restos de la observación, o sea, el error de nuestra observación sería igual a la solución que nosotros necesitamos, a la solución verdadera, menos la entrada, ¿verdad? Vale, y si cogemos esta ecuación, la damos la vuelta. Y decimos la función de lo que nosotros queremos observar es el error menos la entrada. Dices: oye, qué simple, qué fácil. ¿Y esto cómo se consigue en una red neuronal? Pues tenemos subredes, tú coges varias capas, un par de capas funcionando y a la salida de esas capas le sumas la entrada. Entonces ella no está aprendiendo la solución como el resto de redes neuronales, está aprendiendo el resto. Por eso se llama ResNet, redes neuronales basadas en restos. Entonces, ella aprende el resto, le suma la entrada y ya tiene esa solución. Son muy eficientes, aunque no te tiene que dar miedo que tenga mil capas; es rápida, es muy precisa y aparte tiene otra ventaja: es una red neuronal convolucional. Las convolucionales tienen capas de convolución que el dato de entrada también te lo comprimen. Entonces están hechas para trabajar con datos muy grandes y con todas estas ventajas han conseguido eso: que con un trocito de la gráfica ella te dé los parámetros con una precisión de más de un 90%. Se ha entrenado, eso sí, tenemos muy poquitos datos de LIGO, Virgo y KAGRA de fusión de estrellas de neutrones y. Esto es un problemón. ¿Qué se ha hecho? Ellos han generado de forma sintética datos, han empezado a generar datos, han hecho un conjunto de datos sintéticos grande, lo han entrenado con estos datos ficticios y luego el conjunto de validación con el que lo han…
Significado #1 · Palabras #1
Juan Carlos Gil describe los parámetros físicos que sirven de entrada para el modelo Hall NN, indicando que son trece en total, incluyendo el flujo de propelente y la diferencia de potencia de entrada.
Habla: Juan Carlos GilPalabras #15modelo hall nn trece parámetrosflujo propelente motores efecto halldiferencia potencia entrada cátodo hall…porque las letras H-A-L eran cada una de ellas las anteriores a las siglas I -B-M. ¿Sí conocéis esa cosa extraña, no? Mucha gente lo dice como una verdad establecida, pero hasta donde yo sé es una especulación; eso no se ha confirmado por nadie, creo. Bueno, la entrada al modelo son 13, 13, nada menos, parámetros físicos de los motores de efecto Hall, incluyendo pues eso, el flujo de propelente, la diferencia de potencia de entrada en el cátodo, el tamaño del canal de descarga En fin, 13 cosas físicas y como os decía, da lugar a la salida, al impulso y a la corriente y al gasto eléctrico, vamos El modelo lo entrenaron, Aquí Sara empieza lo divertido para ti yo creo, con 18.000 puntos, 18.000 generados, ¿cómo? Por simulaciones. Simulaciones híbridas, de las que hablamos antes, PIC, y esas para iones y átomos neutros pero para los electrones utilizaban de nuevo un fluido sin…
Tras analizar los resultados del modelo Hall NN y su entrenamiento, Juan Carlos Gil describe cómo la red entrenada ofrece una mejora significativa en el tiempo de cálculo en comparación con las simulaciones iniciales.
Habla: Juan Carlos GilSignificado #12modelo hall nn entrenamientosimulación chunga tiempo cálculored entrenada 9000 veces menosblaso tardaba 4 días 800 núcleos…los resultados del entrenamiento con la gráfica de los errores de mínimos cuadráticos es una pasada. O sea, es que ves como la gráfica es del libro, como baja el error, qué gozado. Es tremendo, o sea, conseguimos mejores resultados que las simulaciones. un poquito chunguillas, no eran blaso, eran pic más fluido sin masa, pero claro, una vez que está la red entrenada, a toda caña, dicen que tardan 9.000 veces menos que la simulación chunga esta, la blaso ya decíamos que tardaba 4.000, ¿cómo era? 4 días en 800 núcleos O sea, esto es un Modelo que está disponible, que ahora vas con tus parámetros de diseño y te saca el empuje, lo cual es realmente bueno. Acabo Héctor, no me pongas esa cara. La propulsión eléctrica es la, junto a la nuclear, la tecnología clave de propulsión de los próximos…
Francis Villatoro explica cómo realizar operaciones de suma en curvas elípticas, describiendo el proceso mediante analogías visuales y haciendo referencia a líneas secantes y tangentes.
Habla: Francis VillatoroPalabras #11líneas secantes curvas elípticasreflexión eje x curva elípticasuma de un punto consigo mismotangente como límite secante villatoro…propiedades, y una de ellas es que se puede definir una suma o producto, depende de cómo lo quieras llamar, una suma de puntos dentro de la curva. Yo puedo tomar dos puntos en la curva y puedo definir un nuevo punto al que llamo la suma de estos dos puntos. La idea es trazo una secante, una línea que pase por estos dos puntos y esa línea obligatoriamente me cortará a otro punto de la curva. Bien, pues ese otro punto de la curva no es la suma. La suma es la reflexión respecto a la línea horizontal, al eje X, de ese punto. Como la curva es simétrica, todo punto de la curva tiene un reflejado. Entonces la suma es trazar esa línea y reflejar un punto. Si yo tengo un único punto, también puedo sumar. Puedo sumar ese punto consigo mismo. Claro, una secante cuando yo aproximo los dos puntos se convierte en una tangente, entonces yo tomo un punto, tomo la tangente, lanzo la línea y obtengo otro punto que es el negativo, lo reflejo y obtengo el valor de la suma y puedo construir el punto 2, si tengo el punto P, puedo construir el punto 2P y por analogía con el 2P y el P puedo definir el 3P o con el 2P y el 2P obtener 4P,…
Sara Robisco explica que para obtener respuestas rápidas en el análisis de gráficas, los investigadores podrían optar por modelos de redes neuronales menos profundos, similar al artículo de Juan Carlos. Sin embargo, han logrado obtener resultados en un segundo utilizando ResNet, una red neuronal convolucional muy compleja.
Habla: Sara RobiscoSignificado #20modelo red neuronal juan carlosresnet con 150 capasresnet con 1000 capasredes neuronales convolucionales profundas resnet…la tiene, no procesa. Quiero decir, tú le das un trocito y ella se queda ahí esperando como una cosa tonta, vale, dame, dame, hasta que tú no tienes una condición de parada, ella no va a parar porque necesita sacar el contexto. Entonces esto es un problemón. Y dices: bueno, quieren ser rápidos, pues tirarán por un modelo de red neuronal menos profundita, ¿no? Lo que hemos visto con el artículo de Juan Carlos, algo sencillo, algo que tarde un segundo. Pues han conseguido hacer que tarde un segundo en darnos la respuesta con una pedazo de gráfica usando una de las redes neuronales convolucionales más profundas que hay, la ResNet. Estamos hablando de un bicho que en su primera publicación, que fue en 2016, ResNet se probó con una profundidad de 150 capas y una profundidad de 1.000; se hicieron dos res de mil capas. O sea, estamos hablando de una señora red neuronal. Vale, pero aparte hemos hablado de datos de la gráfica, es algo complicado de digerir. Entonces ellos idean un sistema de pre-compresión previa, un filtro. ¿Qué hacen? Esta señal la dividen en tres señales, en varias señales por sus frecuencias, la separan en…
Sara Robisco explica que en 2016 se observó un problema al intentar mejorar el rendimiento de las redes neuronales añadiendo más capas.
Habla: Sara RobiscoSignificado #4red neuronal valores posición spin masasanálisis persona datos objetosresnet premisa aprendizaje capaserror aumento redes neuronales capastasa error red neuronal chinared neuronal problema chino…de pre-compresión previa, un filtro. ¿Qué hacen? Esta señal la dividen en tres señales, en varias señales por sus frecuencias, la separan en frecuencia. y luego aplicar un algoritmo de compresión para reducirla lo máximo posible sin perder información. ¿Por qué? Porque el objetivo de nuestra red neuronal es devolvernos un churro de valores en los que vamos a separar nosotros encontrando la posición, el spin, masas, todos los datos que sacaría una persona analizando bien. Esto lo tiene que sacar de la red neuronal. ¿Y por qué una ResNet? Pues una ResNet parte de una premisa y es: ¿Una red neuronal si añadimos más capas va a aprender mejor? Bueno pues en 2016 teníamos un problemón y es que Se sabía que era falso, no porque a más capas la red sobreaprenda sino porque cuando tú le añades más capas tu error aumenta; empieza a aumentar la tasa de error de la red neuronal y dices: ostras, empieza a fallar y esto era un problemón y a unos chinos, porque esta red neuronal es china. Se les ocurrió una maravillosa idea y es, vale, la solución que queremos observar; que nosotros queremos obtener es igual a los restos, digo no, los restos de la observación, o sea, el error de nuestra observación sería igual a la solución que nosotros…
Sara Robisco explica cómo los investigadores están desarrollando una red neuronal que no aprende la solución directamente, sino el error o residuo entre la solución verdadera y la observación.
Habla: Sara RobiscoSignificado #1 · Palabras #1red neuronal aprende error observaciónsubredes capas suma entradafunción error menos entradaresnet aprende el restored neuronal convolucional datos grandesprecisión superior al 90 por ciento ligovirgokagraentrenamiento con pocos datos fusión estrellas neutrones…es igual a los restos, digo no, los restos de la observación, o sea, el error de nuestra observación sería igual a la solución que nosotros necesitamos, a la solución verdadera, menos la entrada, ¿verdad? Vale, y si cogemos esta ecuación, la damos la vuelta. Y decimos la función de lo que nosotros queremos observar es el error menos la entrada. Dices: oye, qué simple, qué fácil. ¿Y esto cómo se consigue en una red neuronal? Pues tenemos subredes, tú coges varias capas, un par de capas funcionando y a la salida de esas capas le sumas la entrada. Entonces ella no está aprendiendo la solución como el resto de redes neuronales, está aprendiendo el resto. Por eso se llama ResNet, redes neuronales basadas en restos. Entonces, ella aprende el resto, le suma la entrada y ya tiene esa solución. Son muy eficientes, aunque no te tiene que dar miedo que tenga mil capas; es rápida, es muy precisa y aparte tiene otra ventaja: es una red neuronal convolucional. Las convolucionales tienen capas de convolución que el dato de entrada también te lo comprimen. Entonces están hechas para trabajar con datos muy grandes y con todas estas ventajas han conseguido eso: que con un trocito de la gráfica ella te dé los parámetros con una precisión de más de un 90%. Se ha entrenado, eso sí, tenemos muy poquitos datos de LIGO, Virgo y KAGRA de fusión de estrellas de neutrones y. Esto es un problemón. ¿Qué se ha hecho? Ellos han generado de forma sintética datos, han empezado a generar datos, han hecho un conjunto de datos sintéticos grande, lo han entrenado con estos datos ficticios y luego el conjunto de validación con el que lo han…