A veces, las razones para hacer algunas simulaciones numéricas es probar una teoría. Es importante en investigación y desarrollo comprender las relaciones que rigen los parámetros físicos de un sistema en cuestión.
Por ejemplo, al desarrollar un transistor, los ingenieros intentan diseñar un nuevo transistor mediante el uso de un complicado sistema de fórmulas matemáticas probado por simulaciones numéricas, experimentos o simplemente por derivaciones matemáticas. La cuestión de jugar con fórmulas matemáticas es que uno puede probar o refutar ciertas relaciones entre parámetros, cosas que los algoritmos de ML no pueden aprender. Por lo tanto, hay muchos más beneficios en conocer los principios de funcionamiento subyacentes de un sistema que tratarlo como una caja negra. Los ingenieros deben comprender y elaborar fórmulas matemáticas que rijan un sistema para que puedan mejorar sus diseños en futuros intentos.
Las redes neuronales, por otro lado, son como aprender cajas negras, pueden aprender las fórmulas subyacentes sin que los ingenieros las conozcan explícitamente. Esto puede causar problemas al intentar derivar ciertas fórmulas. ¿Sabes que la mayoría de los fenómenos físicos, como el rayo láser, los agujeros negros, etc., fueron descubiertos solo por derivaciones matemáticas y comprobados por observaciones experimentales? Eso puede ser desalentador, si no casi imposible, para los algoritmos de ML actuales.
- ¿Cuáles son algunos textos recientes sobre métodos de kernel?
- ¿Cómo podemos usar la red neuronal para la clasificación de texto?
- ¿Pueden las máquinas entender el significado de las palabras?
- ¿Cuáles son los requisitos previos para aprender Machine Learning?
- Will Naive Bayes dará un buen resultado si el conjunto de entrenamiento es mucho más pequeño que el no. de características en un clasificador de aprendizaje automático?
Pero su punto es realmente válido hasta cierto punto, es posible que los sistemas de ML aprendan fórmulas matemáticas complejas para un sistema más simple desde el cual podamos alimentar nuevos parámetros de diseño y, como resultado, obtener un comportamiento previsto del sistema. El otro problema aquí también es la precisión numérica de los resultados, la precisión puede depender en gran medida del conjunto de entrenamiento, y puede estar limitada a un rango numérico particular. ¿Qué sucede si desea predecir ciertos valores fuera de ese rango? Significa hacer más mediciones y entrenar más redes, pero esto no es factible.
Aunque parezca posible usar algoritmos ML de esta manera, creo que puede causar más problemas a los ingenieros de los que resuelve.
Espero que esto ayude.
