Project Artie: An Artificial Student for Disciplines Informed by Partial\n Differential Equations
Notice bibliographique
Résumé
We present an Artificial Student, "Artie," for engineering science\ndisciplines in which the mathematical model is a partial differential equation\n(PDE); Artie considers here the particular case of steady heat conduction.\nArtie accepts problem statements posed in natural language. Artie provides a\nsymbolic-numeric approximate solution: the PDE field; scalar Quantities of\nInterest (QoI), expressed as functionals of the field. The problem statement\nwill typically not provide explicit guidance as to the equation or\napproximations which should be invoked. We also present Artie+, who provides\nthe finite element solution to the PDE: the exact solution to within a\nprescribed tolerance controlled by an a posteriori error estimator.\n Artie comprises four technical ingredients. Natural Language Processing: We\nproceed in two stages, domain-independent Google Natural Language syntax\nanalyzer followed by frame-specific conduction parser. PDE Template: The PDE is\nexploited by the conduction parser to extract geometry, boundary conditions,\nand coefficients; subsequent approximations are deduced from this ground-truth\ndescription. Problem Classes, Geometry Classes; Components, Systems: A problem\nclass places requirements on spatial domain, boundary conditions, properties,\nand QoI; associated to each problem class are several geometry classes. A\ncomponent is an instantiation of the geometry class for prescribed geometric\nand PDE parameters; a system is represented as an assembly of connected\ncomponents. Variational Formulation: We consider the weak statement and\nminimization principle to formulate the PDE and develop suitable\napproximations; implementation proceeds through static condensation and direct\nstiffness assembly over component ports.\n We describe and illustrate a prototype implementation of Artie and Artie+.\n
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.
Comment cette classification a été obtenuedéplier
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».