What Bricks Want: Machine Learning and Iterative Ruin
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ruin has a bad name. Despite the obvious complications, failure provides a rich opportunityÂhow better to understand a buildingÂs physicality than to watch it collapse? This paper offers a novel method to exploit failure through physical simulation and iterative machine learning. Using technology traditionally relegated to special effects, we can now understand collapse on a granular level: since modern-day physics engines track object-object collisions, they enable a close reading of the spatial preferences that underpin ruin. In the case of bricks, that preference is relatively simpleÂto fall. By idealizing bricks as rigid bodies, one can understand the effects of gravitational force on each individual brick in a masonry structure. These structures are sometimes able to Âsettle, resulting in a stable equilibrium state; in many cases, it means that they will simply collapse. Analyzing ruin in this way is informative, to be sure, but it proves most useful when applied in series. The evolutionary solver described in this paper closely monitors the performance of constituent bricks and ensures that the most successful structures are emulated by later generations. The tool consists of two parts: a user interface for design and the solver itself. Once the architect produces a potential design, the solver performs an evolutionary optimization; after a few hundred iterations, the end result is a structurally sound version of the unstable original. It is hoped that this hybrid of top-down and bottom-up design strategies offers an architecture that is ultimately strengthened by its contingencies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle