Nature.com saytına daxil olduğunuz üçün təşəkkür edirik. İstifadə etdiyiniz brauzer versiyasında məhdud CSS dəstəyi var. Ən yaxşı nəticələr üçün brauzerinizin daha yeni versiyasını istifadə etməyi (və ya Internet Explorer-də Uyğunluq Rejimini deaktiv etməyi) tövsiyə edirik. Bu arada, davamlı dəstəyi təmin etmək üçün saytı üslub və ya JavaScript olmadan göstəririk.
Hesablama fizikasında maşın öyrənməsinin ən perspektivli tətbiqlərindən biri qismən diferensial tənliklərin (PDE) sürətləndirilmiş həllidir. Maşın öyrənməsinə əsaslanan qismən diferensial tənlik həlledicisinin əsas məqsədi baza müqayisəsi kimi xidmət etmək üçün standart ədədi metodlardan kifayət qədər daha sürətli dəqiq olan həllər istehsal etməkdir. Əvvəlcə qismən diferensial tənliklərin həllinə dair maşın öyrənmə ədəbiyyatının sistematik nəzərdən keçirilməsini aparırıq. Maye qismən diferensial tənlikləri həll etmək üçün ML-nin istifadəsini bildirən və standart ədədi üsullardan üstünlüyünü iddia edən bütün sənədlərdən zəif əsaslarla müqayisədə 79% (60/76) müəyyən etdik. İkincisi, biz hesabatda geniş yayılmış qərəzliliyə dair sübutlar tapdıq, xüsusən də nəticə hesabatlarında və nəşrlərdə qərəzlilik. Qənaətə gəlirik ki, qismən diferensial tənliklərin həlli ilə bağlı maşın öyrənmə tədqiqatları həddən artıq optimistdir: zəif daxiletmə məlumatları həddən artıq müsbət nəticələrə səbəb ola bilər və qərəzli hesabat mənfi nəticələrin az məlumatlandırılmasına səbəb ola bilər. Böyük hissədə, bu problemlər keçmiş təkrarlanma böhranlarına bənzər amillərdən qaynaqlanır: müstəntiqin mülahizələri və müsbət nəticəyə meylliliyi. Biz qərəzli hesabatları minimuma endirmək üçün aşağıdan-yuxarıya mədəni dəyişikliyə və bunu etməyə təhrif edilən həvəsləri azaltmaq üçün yuxarıdan aşağıya struktur islahatlarına çağırırıq.
Sistematik baxış nəticəsində yaradılan müəlliflərin və məqalələrin siyahısı, eləcə də təsadüfi seçmədə hər bir məqalənin təsnifatı https://doi.org/10.17605/OSF.IO/GQ5B3 (istinad 124) ünvanında açıqdır.
Cədvəl 2-də nəticələrin təkrar istehsalı üçün lazım olan kodu GitHub-da tapa bilərsiniz: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) və Code Ocean-da: https://codeocean.com/capsule/9605539/Tree/ v6 (link) və https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Randall, D. və Welser, K., Müasir Elmdə Təkrarlanma Böhranı: İslahatın Səbəbləri, Nəticələri və Yolları (Milli Alimlər Assosiasiyası, 2018).
Ritchie, S. Elmi Fantastika: Fırıldaqçılıq, qərəz, susqunluq və ajiotaj Həqiqət Axtarışını necə zəiflədir (Vintage, 2020).
Açıq elmi əməkdaşlıq. Psixologiya elmində təkrarlanma qabiliyyətinin qiymətləndirilməsi. Elm 349, AAAC4716 (2015).
Prinz, F., Schlange, T., və Əsədullah, K. İnanın ya da inanmayın: Potensial narkotik hədəfləri haqqında dərc edilmiş məlumatlara nə qədər etibar edə bilərik? Nat. Rev. “Narkotiklərin kəşfi.” 10, 712 (2011).
Begley, KG və Ellis, LM. Preklinik xərçəng tədqiqatlarında standartların artırılması. Təbiət 483, 531–533 (2012).
A. Gelman və E. Loken, The Garden of Forking Paths: Niyə Çoxsaylı Müqayisələr “Balıqçılıq Ekspedisiyaları” və ya “p-hacks” və Əvvəlcədən Tədqiqat Hipotezləri Olmadan belə Problemdir, cild. 348, 1–17 (Statistika Departamenti, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., and Shi, D. Machine learning in new fundamental fizika axtarışında. Nat. Fizika üzrə fəlsəfə doktoru. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM və Ahsan MJ. Dərman kəşfində maşın öyrənməsi: bir baxış. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS və Coote, ML Kimya üzrə dərin öyrənmə. J.Kimya. xəbərdar etmək. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. və Kohan I. Tibbdə maşın öyrənməsi. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. və Stüart BM Sosial elmlərdə maşın öyrənməsi: aqnostik yanaşma. Rahib Ann Ball. elm. 24, 395–419 (2021).
Jump, J. et al. Alphafold istifadə edərək, yüksək dəqiqlikli protein strukturu proqnozları edin. Təbiət 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. və Gil, Y. Maşın öyrənməsində təkrar olunmazlığın mənbələri: Baxış. Əvvəlcədən çapı https://arxiv.org/abs/2204.07610 (2022) ünvanında əldə etmək olar.
Scully, D., Snook, J., Wiltschko, A., and Rahimi, A. Winner's lənəti? Empirik sübutların sürəti, tərəqqisi və ciddiliyi haqqında (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., and Zobel, J. Non-additive təkmilləşdirilməsi: 1998-ci ildən bəri ilkin axtarış nəticələri. 18th ACM Conference on Information and Knowledge Management 601–610 (ACM 2009).
Kapoor, S. və Narayanan, A. Maşın öyrənməsinə əsaslanan elmdə sızma və təkrar istehsal böhranları. Nümunələr, 4, 100804 (2023).
Kapoor S. et al. İslahat: maşın öyrənməsinə əsaslanan elmi hesabat standartları. Əvvəlcədən çapı https://arxiv.org/abs/2308.07832 (2023) ünvanında əldə etmək olar.
DeMasi, O., Cording, C. və Recht, B. Mənasız müqayisələr tibbi maşın öyrənməsində yanlış optimizmə səbəb ola bilər. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Döş qəfəsinin rentgenoqrafiyası və kompüter tomoqrafiyasından COVID-19-u aşkar etmək və proqnozlaşdırmaq üçün maşın öyrənməsindən istifadə üçün ümumi tələlər və ən yaxşı təcrübələr. Nat. Maks. Intel. 3, 199–217 (2021).
Winantz L. et al. COVID-19-un diaqnozu və proqnozu üçün proqnozlaşdırıcı modellər: sistematik baxış və tənqidi qiymətləndirmə. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS və Pollard KS Genomikada maşın öyrənməsindən istifadənin tələlərinin aradan qaldırılması. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Kimyada maşın öyrənməsi üçün ən yaxşı təcrübələr. Nat. Kimyəvi. 13, 505–508 (2021).
Brunton SL və Kutz JN Qismən diferensial tənliklərin maşın öyrənməsi üçün perspektivli istiqamətlər. Nat. hesablamaq. elm. 4, 483–494 (2024).
Vinuesa, R. və Brunton, SL Maşın öyrənməsi vasitəsilə hesablama maye dinamikasının təkmilləşdirilməsi. Nat. hesablamaq. elm. 2, 358–366 (2022).
Comeau, S. et al. Fiziki məlumatlı neyron şəbəkələri ilə elmi maşın öyrənməsi: İndi haradayıq və bundan sonra nə var. J. Elm. hesablamaq. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., and Xiao, H. Turbulence modeling in data era. Ann-ın yenidən işlənmiş nəşri. 51, 357–377 (2019).
Durran, DR Geofiziki hidrodinamikada dalğa tənliklərinin həlli üçün ədədi üsullar, cild. 32 (Springer, 2013).
Mishra, S. Diferensial tənliklərin verilənlərə əsaslanan hesablamalarını sürətləndirmək üçün maşın öyrənmə çərçivəsi. riyaziyyat. mühəndis. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Maşın öyrənməsi - hesablama maye dinamikasının sürətləndirilməsi. proses. Milli Elmlər Akademiyası. elm. ABŞ 118, e2101784118 (2021).
Kadapa, K. Kompüter elmləri və mühəndisliyi üçün maşın öyrənməsi – qısa giriş və bəzi əsas məsələlər. Əvvəlcədən çapı https://arxiv.org/abs/2112.12054 (2021) ünvanında əldə etmək olar.
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. və Zanna, L. İdeallaşdırılmış modellərdə maşın öyrənmə okean alt şəbəkəsinin parametrləşdirilməsinin müqayisəli təhlili. J.Adv. Model. yer sistemi. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. və Brandstetter, J. PDE incəliyi: sinir PDE həlledicisi ilə dəqiq uzun ekstruziyalara nail olmaq. Sinir Məlumatlarının Emalı Sistemləri üzrə 37-ci Konfrans (NeurIPS 2023).
Frachas, PR et al. Mürəkkəb məkan-zaman dinamikasının proqnozlaşdırılması üçün təkrarlanan neyron şəbəkələrində geri yayılma alqoritmi və rezervuar hesablanması. neyron şəbəkəsi. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. və Karniadakis, GE Fizika, kompüter elmləri, neyron şəbəkələri: qeyri-xətti qismən diferensial tənlikləri əhatə edən irəli və tərs problemlərin həlli üçün dərin öyrənmə çərçivəsi. J. Kompüter. fizika. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. və Schönlieb, K.-B. Fizikaya əsaslanan neyron şəbəkələri sonlu element metodlarından üstün ola bilərmi? IMA J. Proqramlar. riyaziyyat. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M. və Gómez-Romero, J. Verilənlərə əsaslanan modelləşdirmə üçün fizikaya əsaslanan neyron şəbəkələr: üstünlüklər, məhdudiyyətlər və imkanlar. fizika. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA. Maye modelləşdirmədə fizikaya əsaslanan neyron şəbəkələrə dair empirik hesabat: tələlər və məyusluqlar. Əvvəlcədən çap üçün https://arxiv.org/abs/2205.14249 (2022) ünvanında mövcuddur.
Zhuang, P.-Y. və Barba, LA Burulğan meydana gəlməsinə dair fiziki məlumatlı neyron şəbəkələrinin proqnozlaşdırıcı məhdudiyyətləri. Əvvəlcədən çapı https://arxiv.org/abs/2306.00230 (2023) ünvanında əldə etmək olar.
Wang, S., Yu, H. və Perdikaris, P. Pillər nə vaxt və niyə məşq edə bilmirlər: Neyral tangens nüvə perspektivi. J. Kompüter. fizika. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., and Mahoney, MW Fiziki məlumat neyron şəbəkələrində mümkün uğursuzluq rejimlərinin xüsusiyyətləri. Neyro İnformasiya Emalı Sistemləri üzrə 35-ci Konfrans Cilt. 34, 26548–26560 (NeurIPS 2021).
Basir, S. və Senokak, I. Fizika əsaslı neyron şəbəkələrində uğursuzluq rejimlərinin tənqidi tədqiqi. AiAA SCITECH 2022 Forumunda 2353 (ARK, 2022).
Karnakov P., Litvinov S. və Koumoutsakos P. Diskret itkiləri optimallaşdırmaqla fiziki tərs məsələlərin həlli: neyron şəbəkələri olmadan sürətli və dəqiq öyrənmə. proses. Milli Elmlər Akademiyası. elm. Nexus 3, pgae005 (2024).
Gundersen OE Təkrarlanmanın əsas prinsipləri. Phil.cross. R. Şuker. A 379, 20200210 (2021).
Aromataris E və Pearson A. Sistematik rəylər: ümumi baxış. Bəli. J. Nursing 114, 53-58 (2014).
Magiera, J., Ray, D., Hesthaven, JS və Rohde, K. Riemann problemi üçün məhdudiyyətdən xəbərdar olan neyron şəbəkələri. J. Kompüter. fizika. 409, 109345 (2020).
Bezgin DA, Schmidt SJ və Adams NA. Qeyri-klassik azaldılmış gərginlik zərbələri üçün verilənlərə əsaslanan fiziki məlumatlı sonlu həcm dövrəsi. J. Kompüter. fizika. 437, 110324 (2021).
Göndərmə vaxtı: 29 sentyabr 2024-cü il