Թույլ բազային գծերը և հաշվետվությունների կողմնակալությունը հանգեցնում են հեղուկների հետ կապված մասնակի դիֆերենցիալ հավասարումների մեքենայական ուսուցման մեջ չափազանց լավատեսության։

Շնորհակալություն Nature.com կայք այցելելու համար: Ձեր օգտագործած դիտարկիչի տարբերակն ունի CSS-ի սահմանափակ աջակցություն: Լավագույն արդյունքի հասնելու համար խորհուրդ ենք տալիս օգտագործել ձեր դիտարկիչի ավելի նոր տարբերակը (կամ անջատել համատեղելիության ռեժիմը Internet Explorer-ում): Մինչ այդ, շարունակական աջակցությունն ապահովելու համար, մենք կայքը ցուցադրում ենք առանց ոճավորման կամ JavaScript-ի:
Հաշվողական ֆիզիկայում մեքենայական ուսուցման ամենախոստումնալից կիրառություններից մեկը մասնակի դիֆերենցիալ հավասարումների (ՄԴՀ) արագացված լուծումն է: Մեքենայական ուսուցման վրա հիմնված մասնակի դիֆերենցիալ հավասարումների լուծիչի հիմնական նպատակն է ստեղծել լուծումներ, որոնք բավականաչափ ճշգրիտ են, քան ստանդարտ թվային մեթոդները՝ որպես բազային համեմատություն ծառայելու համար: Մենք նախ անցկացնում ենք մասնակի դիֆերենցիալ հավասարումների լուծման վերաբերյալ մեքենայական ուսուցման գրականության համակարգված վերանայում: Հեղուկ մասնակի դիֆերենցիալ հավասարումները լուծելու համար ՄԴ-ի օգտագործման մասին հաղորդող և ստանդարտ թվային մեթոդների նկատմամբ գերազանցություն պահանջող բոլոր հոդվածներից մենք հայտնաբերել ենք 79% (60/76)՝ համեմատած թույլ բազայինների հետ: Երկրորդ, մենք հայտնաբերել ենք լայնորեն տարածված հաշվետվությունների կողմնակալության ապացույցներ, մասնավորապես՝ արդյունքների հաշվետվությունների և հրապարակման կողմնակալության մեջ: Մենք եզրակացնում ենք, որ մասնակի դիֆերենցիալ հավասարումների լուծման վերաբերյալ մեքենայական ուսուցման հետազոտությունը չափազանց լավատեսական է. թույլ մուտքային տվյալները կարող են հանգեցնել չափազանց դրական արդյունքների, իսկ հաշվետվությունների կողմնակալությունը կարող է հանգեցնել բացասական արդյունքների թերհաշվետվության: Մեծ մասամբ, այս խնդիրները, կարծես, պայմանավորված են անցյալի վերարտադրելիության ճգնաժամերին նման գործոններով՝ հետազոտողի հայեցողությամբ և դրական արդյունքների կողմնակալությամբ: Մենք կոչ ենք անում ներքևից վերև մշակութային փոփոխությունների՝ կողմնակալ հաշվետվությունները նվազագույնի հասցնելու համար, և վերևից ներքև կառուցվածքային բարեփոխումների՝ դա անելու աղավաղված խթանները նվազեցնելու համար:
Համակարգված վերանայման արդյունքում ստեղծված հեղինակների և հոդվածների ցանկը, ինչպես նաև պատահական նմուշում յուրաքանչյուր հոդվածի դասակարգումը, հրապարակայնորեն հասանելի են հետևյալ հղումով՝ https://doi.org/10.17605/OSF.IO/GQ5B3 (հղում 124):
Աղյուսակ 2-ում ներկայացված արդյունքները վերարտադրելու համար անհրաժեշտ կոդը կարելի է գտնել GitHub-ում՝ https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (հղում 125) և Code Ocean-ում՝ https://codeocean.com/capsule/9605539/Tree/ v1 (հղում 126) և https://codeocean.com/capsule/0799002/tree/v1 (հղում 127):
Ռանդալ, Դ., և Ուելսեր, Կ., Անվերարտադրելիության ճգնաժամը ժամանակակից գիտության մեջ. Պատճառներ, հետևանքներ և բարեփոխումների ուղիներ (Գիտնականների ազգային ասոցիացիա, 2018):
Ռիչի, Ս. Գիտաֆանտաստիկա. Ինչպես են խարդախությունը, կողմնակալությունը, լռությունը և աղմուկը խաթարում ճշմարտության որոնումները (Vintage, 2020):
Բաց գիտական համագործակցություն։ Վերարտադրելիության գնահատում հոգեբանական գիտության մեջ։ Science 349, AAAC4716 (2015)։
Պրինց, Ֆ., Շլանգե, Թ., և Ասադուլլահ, Կ. Հավատացեք, թե ոչ. Որքանո՞վ կարող ենք հույսը դնել թմրանյութերի պոտենցիալ թիրախների վերաբերյալ հրապարակված տվյալների վրա: Ազգային հանդես «Թմրանյութերի հայտնաբերումը»: 10, 712 (2011):
Բեգլի, Կ.Գ. և Էլիս, Լ.Մ. Ստանդարտների բարձրացում նախակլինիկական քաղցկեղի հետազոտություններում: Nature 483, 531–533 (2012):
Ա. Գելման և Է. Լոկեն, «Բաժանվող արահետների այգին. Ինչու են բազմակի համեմատությունները խնդիր նույնիսկ առանց «ձկնորսական արշավների» կամ «հաքերի» և «Նախապես կատարված հետազոտական վարկածներ», հատոր 348, 1–17 (Վիճակագրության դեպարտամենտ, 2013):
Կարագիորգի, Գ., Կասեցկա, Գ., Կրավից, Ս., Նախման, Բ., և Շի, Դ. Մեքենայական ուսուցում նոր հիմնարար ֆիզիկայի որոնման մեջ: Ազգային գիտությունների դոկտոր ֆիզիկայում: 4, 399–412 (2022):
Դարա Ս, Դամերչերլա Ս, Ջադհավ ՍՍ, Բաբու ՍՄ և Ահսան ՄՋ։ Մեքենայական ուսուցում դեղերի հայտնաբերման մեջ. ակնարկ։ Atif. Intel. Ed. 55, 1947–1999 (2022)։
Մաթեր, Ա.Ս. և Քութ, Մ.Լ. Խորը ուսուցում քիմիայում։ J.Chemistry. notify. Model. 59, 2545–2559 (2019)։
Ռաջկոմար Ա., ​​Դին Ջ. և Կոհան Ի. Մեքենայական ուսուցում բժշկության մեջ: New England Journal of Medicine. 380, 1347–1358 (2019):
Գրիմմեր Ջ., Ռոբերտս Մ.Ե. և Ստյուարտ Բ.Մ. Մեքենայական ուսուցումը հասարակական գիտություններում. ագնոստիկ մոտեցում։ Հարգարժան Անն Բոլ։ գիտություն։ 24, 395–419 (2021)։
Ջամփ, Ջ. և այլք։ Կատարեք սպիտակուցի կառուցվածքի բարձր ճշգրտությամբ կանխատեսումներ՝ օգտագործելով alphafold-ը։ Nature 596, 583–589 (2021)։
Գունդերսեն, Օ.Ե., Քոքլի, Կ., Կիրկպատրիկ, Կ. և Գիլ, Յ. Անվերարտադրելիության աղբյուրները մեքենայական ուսուցման մեջ. Վերանայում: Նախատպությունը հասանելի է https://arxiv.org/abs/2204.07610 (2022) հասցեով:
Սկալլի, Դ., Սնուկ, Ջ., Վիլչկո, Ա., և Ռահիմի, Ա. Հաղթողի անեծքը՞։ Էմպիրիկ ապացույցների արագության, առաջընթացի և խստության վրա (ICLR, 2018):
Արմսթրոնգ, Թ.Գ., Մոֆֆատ, Ա., Ուեբեր, Վ., և Զոբել, Ջ. Ոչ հավելումային բարելավումներ. նախնական որոնման արդյունքները 1998 թվականից ի վեր: Տեղեկատվության և գիտելիքների կառավարման ACM 18-րդ կոնֆերանս 601–610 (ACM 2009):
Կապուր, Ս. և Նարայանան, Ա. Հոսքի և վերարտադրելիության ճգնաժամերը մեքենայական ուսուցման վրա հիմնված գիտության մեջ: Patterns, 4, 100804 (2023):
Կապուր Ս. և այլք։ Ռեֆորմ. գիտական հաշվետվությունների ստանդարտներ՝ հիմնված մեքենայական ուսուցման վրա։ Նախատպությունը հասանելի է https://arxiv.org/abs/2308.07832 (2023) հասցեով։
Դեմասի, Օ., Քորդինգ, Ս., և Ռեխտ, Բ. Անիմաստ համեմատությունները կարող են հանգեցնել կեղծ լավատեսության բժշկական մեքենայական ուսուցման մեջ: PloS ONE 12, e0184604 (2017):
Ռոբերտս, Մ. և այլք։ Կրծքավանդակի ռենտգենյան և համակարգչային տոմոգրաֆիայի միջոցով COVID-19-ը հայտնաբերելու և կանխատեսելու համար մեքենայական ուսուցման օգտագործման տարածված թերությունները և լավագույն փորձը։ Nat. Max. Intel. 3, 199–217 (2021)։
Վինանց Լ. և այլք։ COVID-19-ի ախտորոշման և կանխատեսման կանխատեսողական մոդելներ. համակարգված վերանայում և քննադատական գնահատական։ BMJ 369, m1328 (2020)։
Ուեյլեն Ս., Շրայբեր Ջ., Նոուբլ Վ.Ս. և Փոլարդ Կ.Ս. Գենոմիկայի մեջ մեքենայական ուսուցման կիրառման թերությունների հաղթահարումը: Ազգային պարբերություն Պաստոր Ժինետ: 23, 169–181 (2022):
Ատրիս Ն. և այլք։ Քիմիայում մեքենայական ուսուցման լավագույն փորձը։ Nat. Chemical. 13, 505–508 (2021)։
Բրունտոն Ս.Լ. և Կուտց Ջ.Ն. Մասնակի դիֆերենցիալ հավասարումների մեքենայական ուսուցման խոստումնալից ուղղություններ: Բնական հաշվարկներ: Գիտություն: 4, 483–494 (2024):
Վինուեսա, Ռ. և Բրունտոն, Ս.Լ. Հաշվողական հեղուկային դինամիկայի բարելավում մեքենայական ուսուցման միջոցով: Nat. calculate. science. 2, 358–366 (2022):
Կոմո, Ս. և այլք։ Գիտական մեքենայական ուսուցում ֆիզիկապես տեղեկացված նեյրոնային ցանցերով. Որտեղ ենք մենք հիմա և ինչ է սպասվում հաջորդիվ։ J. Science. calculate. 92, 88 (2022)։
Դուրայսամի, Կ., Յակարինո, Գ., և Սյաո, Հ. Տուրբուլենտության մոդելավորում տվյալների դարաշրջանում: Ann. 51-ի վերանայված հրատարակություն, 357–377 (2019):
Դուրրան, Դ.Ռ. Երկրաֆիզիկական հիդրոդինամիկայում ալիքային հավասարումների լուծման թվային մեթոդներ, հատոր 32 (Սփրինգեր, 2013):
Միշրա, Ս. Մեքենայական ուսուցման շրջանակ՝ դիֆերենցիալ հավասարումների տվյալների վրա հիմնված հաշվարկը արագացնելու համար։ Մաթեմատիկա։ Ինժեներ։ https://doi.org/10.3934/Mine.2018.1.118 (2018)։
Կոչիկով Դ. և այլք։ Մեքենայական ուսուցում՝ հաշվողական հեղուկային դինամիկայի արագացում։ Գործընթաց։ Գիտությունների ազգային ակադեմիա։ գիտություն։ ԱՄՆ 118, e2101784118 (2021)։
Կադապա, Կ. Մեքենայական ուսուցում համակարգչային գիտության և ճարտարագիտության համար. համառոտ ներածություն և մի քանի հիմնական հարցեր: Նախատպությունը հասանելի է https://arxiv.org/abs/2112.12054 (2021) հասցեով:
Ռոս, Ա., Լի, Զ., Պերեսժոգին, Պ., Ֆերնանդես-Գրանդա, Ս., և Զաննա, Լ. Մեքենայական ուսուցման օվկիանոսային ենթացանցերի պարամետրացման համեմատական վերլուծություն իդեալականացված մոդելներում: J.Adv. Մոդել: Երկրի համակարգ: 15. e2022MS003258 (2023):
Լիպպե, Պ., Վիլինգ, Բ., Պերդիկարիս, Պ., Թըրներ, Ռ., և Բրանդշտետտեր, Ջ.: Մասնակի ածանցյալներով դիֆերենցիալ ածանցյալների կատարելագործում. ճշգրիտ երկար էքստրուզիաների հասնել նեյրոնային մասնակի ածանցյալներով դիֆերենցիալ ածանցյալների լուծիչով: Նեյրոնային տեղեկատվության մշակման համակարգերի 37-րդ կոնֆերանս (NeurIPS 2023):
Ֆրաչաս, Պ.Ռ. և այլք։ Հետադարձ տարածման ալգորիթմ և ռեզերվուարի հաշվարկ կրկնվող նեյրոնային ցանցերում՝ բարդ տարածաժամանակային դինամիկայի կանխատեսման համար։ Նեյրոնային ցանց։ 126, 191–217 (2020)։
Ռաիսի, Մ., Պերդիկարիս, Պ. և Կարնիադակիս, Ջ.Է. Ֆիզիկա, համակարգչային գիտություն, նեյրոնային ցանցեր. խորը ուսուցման շրջանակ՝ ոչ գծային մասնակի դիֆերենցիալ հավասարումներ ներառող ուղիղ և հակադարձ խնդիրներ լուծելու համար: J. Computer. physics. 378, 686–707 (2019):
Գրոսման, Թ.Գ., Կոմորովսկա, Ու.Ջ., Լուց, Ջ., և Շյոնլիբ, Կ.-Բ. Կարո՞ղ են ֆիզիկայի վրա հիմնված նեյրոնային ցանցերը գերազանցել վերջավոր տարրերի մեթոդներին: IMA J. Applications. mathematics. 89, 143–174 (2024):
դե լա Մատա, Ֆ.Ֆ., Խիխոն, Ա., Մոլինա-Սոլանա, Մ., և Գոմես-Ռոմերո, Ժ. Ֆիզիկայի վրա հիմնված նեյրոնային ցանցեր տվյալների վրա հիմնված մոդելավորման համար. առավելություններ, սահմանափակումներ և հնարավորություններ: ֆիզիկա: A 610, 128415 (2023):
Չժուան, Պ.-Յ. և Բարբա, Լուիզիանա։ Հեղուկ մոդելավորման մեջ ֆիզիկայի վրա հիմնված նեյրոնային ցանցերի վերաբերյալ էմպիրիկ զեկույց. թակարդներ և հիասթափություններ։ Նախատպությունը հասանելի է https://arxiv.org/abs/2205.14249 (2022) հասցեով։
Չժուան, Պ.-Յ. և Բարբա, Լուիզիանա։ Ֆիզիկապես տեղեկացված նեյրոնային ցանցերի կանխատեսողական սահմանափակումները մրրիկների ձևավորման վրա։ Նախատպությունը հասանելի է https://arxiv.org/abs/2306.00230 (2023) հասցեով։
Վանգ, Ս., Յու, Հ., և Պերդիկարիս, Պ. Ե՞րբ և ինչու՞ են պինները չեն մարզվում. Նեյրոնային շոշափող միջուկի հեռանկար: J. Computer. physics. 449, 110768 (2022):
Կրիշնապրիյան, Ա., Գոլամի, Ա., Ժե, Ս., Կիրբի, Ռ., և Մահոնի, ՄՎ Ֆիզիկական տեղեկատվական նեյրոնային ցանցերում հնարավոր խափանման ռեժիմների բնութագրերը: Նեյրոնային տեղեկատվության մշակման համակարգերի 35-րդ կոնֆերանս, հատոր 34, 26548–26560 (NeurIPS 2021):
Բասիր, Ս. և Սենոկա, Ի. Ֆիզիկայի վրա հիմնված նեյրոնային ցանցերում խափանման ռեժիմների քննադատական ուսումնասիրություն: AiAA SCITECH 2022 Forum 2353 (ARK, 2022):
Կարնակով Պ., Լիտվինով Ս. և Կումուտսակոս Պ. Ֆիզիկական հակադարձ խնդիրների լուծում դիսկրետ կորուստների օպտիմալացման միջոցով. արագ և ճշգրիտ ուսուցում առանց նեյրոնային ցանցերի: գործընթաց: Գիտությունների ազգային ակադեմիա: գիտություն: Nexus 3, էջ 005 (2024):
Գունդերսեն Օ.Ե. Վերարտադրելիության հիմնական սկզբունքներ։ Ֆիլ. Քրոս։ Ռ. Շուքեր։ A 379, 20200210 (2021)։
Արոմատարիս Ե. և Փիրսոն Ա. Համակարգված ակնարկներ. ակնարկ։ Այո։ J. Nursing 114, 53–58 (2014)։
Մագիերա, Ջ., Ռեյ, Դ., Հեսթհավեն, Ջ.Ս., և Ռոդե, Կ. Սահմանափակումներին համապատասխանող նեյրոնային ցանցեր Ռիմանի խնդրի համար: J. Computer. physics. 409, 109345 (2020):
Բեզգին Դ.Ա., Շմիդտ Ս.Ջ. և Ադամս Ն.Ա. Տվյալներով կառավարվող ֆիզիկապես տեղեկացված վերջավոր ծավալի սխեմա ոչ դասական նվազեցված լարման ցնցումների համար: J. Computer. physics. 437, 110324 (2021):