სუსტი საბაზისო ხაზები და ანგარიშგების მიკერძოება იწვევს ზედმეტ ოპტიმიზმს სითხეებთან დაკავშირებული ნაწილობრივი დიფერენციალური განტოლებების მანქანურ სწავლებაში.

გმადლობთ, რომ ეწვიეთ Nature.com-ს. თქვენს მიერ გამოყენებული ბრაუზერის ვერსიას CSS-ის მხარდაჭერა შეზღუდული აქვს. საუკეთესო შედეგის მისაღწევად, გირჩევთ, გამოიყენოთ თქვენი ბრაუზერის უფრო ახალი ვერსია (ან გამორთოთ თავსებადობის რეჟიმი Internet Explorer-ში). ამასობაში, მუდმივი მხარდაჭერის უზრუნველსაყოფად, საიტს სტილის ან JavaScript-ის გარეშე ვაჩვენებთ.
გამოთვლით ფიზიკაში მანქანური სწავლების ერთ-ერთი ყველაზე პერსპექტიული გამოყენება ნაწილობრივი დიფერენციალური განტოლებების (PDE) დაჩქარებული ამოხსნაა. მანქანურ სწავლებაზე დაფუძნებული ნაწილობრივი დიფერენციალური განტოლებების ამომხსნელის მთავარი მიზანია ისეთი ამონახსნების მიღება, რომლებიც საკმარისად ზუსტია, ვიდრე სტანდარტული რიცხვითი მეთოდები, რათა საბაზისო შედარების ფუნქცია შეასრულოს. პირველ რიგში, ჩვენ ვატარებთ ნაწილობრივი დიფერენციალური განტოლებების ამოხსნის შესახებ მანქანური სწავლების ლიტერატურის სისტემატურ მიმოხილვას. ყველა ნაშრომიდან, რომელიც აღწერს მანქანური სწავლების გამოყენებას სითხის ნაწილობრივი დიფერენციალური განტოლებების ამოსახსნელად და ამტკიცებს უპირატესობას სტანდარტულ რიცხვით მეთოდებთან შედარებით, ჩვენ გამოვავლინეთ 79% (60/76) სუსტი საბაზისო ნიშნულებთან შედარებით. მეორეც, ჩვენ აღმოვაჩინეთ გავრცელებული ანგარიშგების მიკერძოების მტკიცებულებები, განსაკუთრებით შედეგების ანგარიშგებისა და პუბლიკაციის მიკერძოებაში. ჩვენ ვასკვნით, რომ ნაწილობრივი დიფერენციალური განტოლებების ამოხსნის შესახებ მანქანური სწავლების კვლევა ზედმეტად ოპტიმისტურია: სუსტმა შეყვანის მონაცემებმა შეიძლება გამოიწვიოს ზედმეტად დადებითი შედეგები, ხოლო ანგარიშგების მიკერძოებამ შეიძლება გამოიწვიოს უარყოფითი შედეგების არასაკმარისი ანგარიშგება. დიდწილად, როგორც ჩანს, ეს პრობლემები გამოწვეულია წარსული რეპროდუცირებადობის კრიზისების მსგავსი ფაქტორებით: მკვლევრის შეხედულებისამებრ და დადებითი შედეგების მიკერძოებით. ჩვენ მოვუწოდებთ ქვემოდან ზემოთ კულტურულ ცვლილებებს მიკერძოებული ანგარიშგების მინიმიზაციისთვის და ზემოდან ქვემოთ სტრუქტურულ რეფორმას, რათა შემცირდეს ამის გაკეთების პერსპექტიული სტიმულები.
სისტემატური მიმოხილვის შედეგად გენერირებული ავტორებისა და სტატიების სია, ასევე შემთხვევითი შერჩევისას თითოეული სტატიის კლასიფიკაცია, საჯაროდ ხელმისაწვდომია შემდეგ ბმულზე: https://doi.org/10.17605/OSF.IO/GQ5B3 (მითითება 124).
ცხრილი 2-ში მოცემული შედეგების რეპროდუცირებისთვის საჭირო კოდი შეგიძლიათ იხილოთ GitHub-ზე: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ბმული 125) და Code Ocean-ზე: https://codeocean.com/capsule/9605539/Tree/ v1 (ბმული 126) და https://codeocean.com/capsule/0799002/tree/v1 (ბმული 127).
რენდალი, დ. და ველსერი, კ., არარეპროდუცირებადობის კრიზისი თანამედროვე მეცნიერებაში: მიზეზები, შედეგები და რეფორმის გზები (მეცნიერთა ეროვნული ასოციაცია, 2018).
რიჩი, ს. სამეცნიერო ფანტასტიკა: როგორ ძირს უთხრის თაღლითობა, მიკერძოება, დუმილი და აჟიოტაჟი სიმართლის ძიებას (Vintage, 2020).
ღია სამეცნიერო თანამშრომლობა. რეპროდუცირების შეფასება ფსიქოლოგიურ მეცნიერებაში. Science 349, AAAC4716 (2015).
პრინცი, ფ., შლანგე, თ. და ასადულა, კ. გჯერათ თუ არა: რამდენად შეგვიძლია დავეყრდნოთ გამოქვეყნებულ მონაცემებს პოტენციური ნარკოტიკების სამიზნეების შესახებ? ნაციონალური გამოცემა „ნარკოტიკების აღმოჩენა“. 10, 712 (2011).
ბეგლი, კ.გ. და ელისი, ლ.მ. კიბოს კლინიკურ კვლევაში სტანდარტების ამაღლება. Nature 483, 531–533 (2012).
ა. გელმანი და ე. ლოკენი, „გაყოფის ბილიკების ბაღი: რატომ არის მრავალჯერადი შედარებები პრობლემა „სათევზაო ექსპედიციების“ ან „p-hacks“-ის გარეშეც“ და წინასწარ შემუშავებული კვლევითი ჰიპოთეზები, ტ. 348, 1–17 (სტატისტიკის დეპარტამენტი, 2013).
კარაგიორგი, გ., კასეცკა, გ., კრავიცი, ს., ნახმანი, ბ. და ში, დ. მანქანური სწავლება ახალი ფუნდამენტური ფიზიკის ძიებაში. ნაციონალური ჟურნალი. ფილოსოფიის დოქტორი ფიზიკაში. 4, 399–412 (2022).
დარა ს., დამერჩერლა ს., ჯადჰავ ს.ს., ბაბუ ს.მ. და აჰსან მ.ჯ. მანქანური სწავლება წამლების აღმოჩენაში: მიმოხილვა. Atif. Intel. რედ. 55, 1947–1999 (2022).
მეთერი, ა.ს. და კუტი, მ.ლ. ღრმა სწავლება ქიმიაში. ქიმიის ჟურნალი. notify. მოდელი. 59, 2545–2559 (2019).
რაჯკომარ ა., ​​დინ ჯ. და კოჰან ი. მანქანური სწავლება მედიცინაში. New England Journal of Medicine. 380, 1347–1358 (2019).
გრიმერი ჯ., რობერტსი მ.ე. და სტიუარტი ბ.მ. მანქანური სწავლება სოციალურ მეცნიერებებში: აგნოსტიკური მიდგომა. რევერენდი ენ ბოლი. მეცნიერება. 24, 395–419 (2021).
ჯამპი, ჯ. და სხვ. ცილის სტრუქტურის მაღალი სიზუსტის პროგნოზირება alphafold-ის გამოყენებით. Nature 596, 583–589 (2021).
გუნდერსენი, ო.ე., კოკლი, კ., კირკპატრიკი, კ. და გილი, ი. მანქანურ სწავლებაში რეპროდუცირებადობის წყაროები: მიმოხილვა. წინასწარი ვერსია ხელმისაწვდომია https://arxiv.org/abs/2204.07610 (2022).
სკალი, დ., სნუკი, ჯ., ვილჩკო, ა. და რაჰიმი, ა. გამარჯვებულის წყევლა? ემპირიული მტკიცებულებების სისწრაფეზე, პროგრესსა და სიზუსტეზე (ICLR, 2018).
არმსტრონგი, თ.გ., მოფატი, ა., ვებერი, ვ. და ზობელი, ჯ. არაადიტიური გაუმჯობესებები: წინასწარი ძიების შედეგები 1998 წლიდან. ინფორმაციისა და ცოდნის მართვის ACM-ის მე-18 კონფერენცია 601–610 (ACM 2009).
კაპური, ს. და ნარაიანანი, ა. გაჟონვა და რეპროდუცირების კრიზისები მანქანურ სწავლებაზე დაფუძნებულ მეცნიერებაში. Patterns, 4, 100804 (2023).
კაპური ს. და სხვ. რეფორმა: მანქანურ სწავლებაზე დაფუძნებული სამეცნიერო ანგარიშგების სტანდარტები. წინასწარი ვერსია ხელმისაწვდომია https://arxiv.org/abs/2308.07832 (2023).
დემასი, ო., კორდინგი, ს. და რეხტი, ბ. უაზრო შედარებებმა შეიძლება ცრუ ოპტიმიზმი გამოიწვიოს სამედიცინო მანქანურ სწავლებაში. PloS ONE 12, e0184604 (2017).
რობერტსი, მ. და სხვ. გულმკერდის რენტგენის და კომპიუტერული ტომოგრაფიის გამოყენებით COVID-19-ის აღმოსაჩენად და პროგნოზირებისთვის მანქანური სწავლების გამოყენების გავრცელებული ხარვეზები და საუკეთესო პრაქტიკა. Nat. Max. Intel. 3, 199–217 (2021).
ვინანც ლ. და სხვ. COVID-19-ის დიაგნოზისა და პროგნოზის პროგნოზირების მოდელები: სისტემატური მიმოხილვა და კრიტიკული შეფასება. BMJ 369, m1328 (2020).
უალენ ს., შრაიბერ ჯ., ნობლი ვ.ს. და პოლარდი კ.ს. მანქანური სწავლების გამოყენების ნაკლოვანებების დაძლევა გენომიკაში. ნაციონალური ჟურნალი. პასტორ ჟინეტი. 23, 169–181 (2022).
ატრის ნ. და სხვ. ქიმიაში მანქანური სწავლების საუკეთესო პრაქტიკა. Nat. Chemical. 13, 505–508 (2021).
ბრუნტონი ს.ლ. და კუც ჯ.ნ. ნაწილობრივი დიფერენციალური განტოლებების მანქანური სწავლების პერსპექტიული მიმართულებები. ნატურალური გამოთვლები. მეცნიერება. 4, 483–494 (2024).
ვინუესა, რ. და ბრუნტონი, ს.ლ. გამოთვლითი სითხის დინამიკის გაუმჯობესება მანქანური სწავლების გზით. Nat. calculate. science. 2, 358–366 (2022).
კომო, ს. და სხვ. სამეცნიერო მანქანური სწავლება ფიზიკურად ინფორმირებული ნეირონული ქსელებით: სად ვართ ახლა და რა გველის შემდეგ. J. Science. calculate. 92, 88 (2022).
დურაისამი, კ., იაკარინო, გ. და სიაო, ჰ. ტურბულენტობის მოდელირება მონაცემთა ეპოქაში. Ann. 51-ის გადამუშავებული გამოცემა, 357–377 (2019).
დურანი, დრ. გეოფიზიკურ ჰიდროდინამიკაში ტალღური განტოლებების ამოხსნის რიცხვითი მეთოდები, ტ. 32 (სპრინგერი, 2013).
მიშრა, ს. მანქანური სწავლების ჩარჩო დიფერენციალური განტოლებების მონაცემებზე დაფუძნებული გამოთვლების დასაჩქარებლად. მათემატიკა. ინჟინერი. https://doi.org/10.3934/Mine.2018.1.118 (2018).
კოჩიკოვი დ. და სხვ. მანქანური სწავლება - გამოთვლითი სითხის დინამიკის აჩქარება. პროცესი. მეცნიერებათა ეროვნული აკადემია. მეცნიერება. აშშ 118, e2101784118 (2021).
კადაპა, კ. მანქანური სწავლება კომპიუტერული მეცნიერებისა და ინჟინერიისთვის - მოკლე შესავალი და რამდენიმე ძირითადი საკითხი. წინასწარი ვერსია ხელმისაწვდომია https://arxiv.org/abs/2112.12054 (2021).
როსი, ა., ლი, ზ., პერეჟოგინი, პ., ფერნანდეს-გრანდა, ს. და ზანა, ლ. მანქანური სწავლების ოკეანის ქვექსელის პარამეტრიზაციის შედარებითი ანალიზი იდეალიზებულ მოდელებში. J.Adv. მოდელი. დედამიწის სისტემა. 15. e2022MS003258 (2023).
ლიპე, პ., ვილინგი, ბ., პერდიკარისი, პ., ტერნერი, რ. და ბრანდშტეტერი, ჯ. ნაწილობრივი დიფერენციალური დისპეჩერიზაციის დახვეწა: ნეირონული ნაწილობრივი დიფერენციალური დისპეჩერიზაციის ამომხსნელის გამოყენებით ზუსტი გრძელი ექსტრუზიების მიღწევა. ნეირონული ინფორმაციის დამუშავების სისტემების 37-ე კონფერენცია (NeurIPS 2023).
ფრაჩასი, პ.რ. და სხვ. უკუგავრცელების ალგორითმი და რეზერვუარის გაანგარიშება რეკურენტულ ნერვულ ქსელებში კომპლექსური სივრცულ-დროითი დინამიკის პროგნოზირებისთვის. ნეირონული ქსელი. 126, 191–217 (2020).
რაისი, მ., პერდიკარისი, პ. და კარნიადაკისი, გ.ე. ფიზიკა, კომპიუტერული მეცნიერება, ნეირონული ქსელები: ღრმა სწავლების ჩარჩო არაწრფივი ნაწილობრივი დიფერენციალური განტოლებების შემცველი პირდაპირი და შებრუნებული ამოცანების ამოსახსნელად. J. Computer. physics. 378, 686–707 (2019).
გროსმანი, თ.გ., კომოროვსკა, უი., ლუცი, ჯ. და შონლიბი, კ.-ბ. შეუძლიათ თუ არა ფიზიკაზე დაფუძნებულ ნეირონულ ქსელებს, აჯობონ სასრული ელემენტების მეთოდებს? IMA J. Applications. mathematics. 89, 143–174 (2024).
დე ლა მატა, ფ.ფ., ხიხონი, ა., მოლინა-სოლანა, მ. და გომეს-რომერო, ჯ. ფიზიკაზე დაფუძნებული ნეირონული ქსელები მონაცემებზე დაფუძნებული მოდელირებისთვის: უპირატესობები, შეზღუდვები და შესაძლებლობები. ფიზიკა. A 610, 128415 (2023).
ჟუანგ, პ.-ი. და ბარბა, ლუიზიანა. ემპირიული ანგარიში ფიზიკაზე დაფუძნებული ნეირონული ქსელების შესახებ სითხის მოდელირებაში: ნაკლოვანებები და იმედგაცრუებები. წინასწარი ვერსია ხელმისაწვდომია https://arxiv.org/abs/2205.14249 (2022).
ჟუანგ, პ.-ი. და ბარბა, ლუიზიანა. ფიზიკურად ინფორმირებული ნეირონული ქსელების პროგნოზირებადი შეზღუდვები მორევის ფორმირებაზე. წინასწარი ვერსია ხელმისაწვდომია https://arxiv.org/abs/2306.00230 (2023).
ვანგი, ს., იუ, ჰ. და პერდიკარისი, პ. როდის და რატომ ვერ ახერხებენ პინ-ები ვარჯიშს: ნეირონული ტანგენსური ბირთვის პერსპექტივა. J. Computer. physics. 449, 110768 (2022).
კრიშნაპრიანი, ა., ღოლამი, ა., ჟე, ს., კირბი, რ. და მაჰონი, მ.ვ. ფიზიკური ინფორმაციის ნეირონულ ქსელებში შესაძლო უკმარისობის რეჟიმების მახასიათებლები. ნეირონული ინფორმაციის დამუშავების სისტემების 35-ე კონფერენცია, ტომი 34, 26548–26560 (NeurIPS 2021).
ბასირი, ს. და სენოკაკი, ი. ფიზიკაზე დაფუძნებულ ნეირონულ ქსელებში უკმარისობის რეჟიმების კრიტიკული შესწავლა. AiAA SCITECH 2022 ფორუმი 2353 (ARK, 2022).
კარნაკოვი პ., ლიტვინოვი ს. და კუმუცაკოსი პ. ფიზიკური ინვერსიული ამოცანების ამოხსნა დისკრეტული დანაკარგების ოპტიმიზაციის გზით: სწრაფი და ზუსტი სწავლა ნეირონული ქსელების გარეშე. პროცესი. მეცნიერებათა ეროვნული აკადემია. მეცნიერება. Nexus 3, გვ. 005 (2024).
გუნდერსენი OE რეპროდუცირებადობის ძირითადი პრინციპები. ფილ. კროსი. რ. შუკერი. A 379, 20200210 (2021).
Aromataris E და Pearson A. სისტემატური მიმოხილვები: მიმოხილვა. დიახ. J. Nursing 114, 53–58 (2014).
მაგიერა, ჯ., რეი, დ., ჰესტჰევენი, ჯ.ს. და როდე, კ. შეზღუდვების გათვალისწინებით შექმნილი ნეირონული ქსელები რიმანის პრობლემისთვის. კომპიუტერული ფიზიკის ჟურნალი. 409, 109345 (2020).
ბეზგინი დ.ა., შმიდტი ს.ჯ. და ადამსი ნ.ა. არაკლასიკური შემცირებული ძაბვის შოკებისთვის მონაცემებზე დაფუძნებული ფიზიკურად ინფორმირებული სასრული მოცულობის სქემა. კომპიუტერული ფიზიკის ჟურნალი. 437, 110324 (2021).