Nature.com сайтына кіргеніңіз үшін рахмет. Сіз пайдаланып жатқан шолғыш нұсқасында шектеулі CSS қолдауы бар. Жақсы нәтижеге қол жеткізу үшін шолғыштың жаңарақ нұсқасын пайдалануды ұсынамыз (немесе Internet Explorer шолғышында үйлесімділік режимін өшіріңіз). Әзірше, тұрақты қолдауды қамтамасыз ету үшін біз сайтты сәндеусіз немесе JavaScriptсіз көрсетеміз.
Есептеу физикасында машиналық оқытудың ең перспективалы қолданбаларының бірі – ішінара дифференциалдық теңдеулердің (ПД) жеделдетілген шешімі. Машиналық оқытуға негізделген ішінара дифференциалдық теңдеулерді шешудің негізгі мақсаты - базалық салыстыру ретінде қызмет ету үшін стандартты сандық әдістерге қарағанда жеткілікті дәлірек шешімдерді шығару. Біз алдымен дербес дифференциалдық теңдеулерді шешу бойынша машиналық оқу әдебиеттеріне жүйелі шолу жасаймыз. Сұйықтық ішінара дифференциалдық теңдеулерді шешу үшін ML қолдану туралы есеп беретін және стандартты сандық әдістерден артықшылықты талап ететін барлық құжаттардың ішінде біз әлсіз базалық көрсеткіштермен салыстырғанда 79% (60/76) анықтадық. Екіншіден, біз есеп беруде, әсіресе нәтижелер туралы есеп беруде және жариялауда біржақтылықтың кең тарағанының дәлелдерін таптық. Біз ішінара дифференциалды теңдеулерді шешуге арналған машиналық оқыту зерттеулері тым оптимистік болып табылады деген қорытындыға келдік: әлсіз кіріс деректері тым оң нәтижелерге әкелуі мүмкін, ал есеп беру теріс нәтижелер туралы аз хабарлауға әкелуі мүмкін. Көбінесе бұл проблемалар бұрынғы қайталану дағдарыстарына ұқсас факторлардан туындайды: тергеушінің қалауы және оң нәтижеге бейімділігі. Біз біржақты есеп беруді барынша азайту үшін төменнен жоғарыға мәдени өзгерістерді және бұны жасауға деген теріс ынталарды азайту үшін жоғарыдан төмен құрылымдық реформаларды жүргізуге шақырамыз.
Жүйелі шолу нәтижесінде жасалған авторлар мен мақалалар тізімі, сондай-ақ кездейсоқ таңдаудағы әрбір мақаланың жіктелуі https://doi.org/10.17605/OSF.IO/GQ5B3 (124-ші сілтеме) арқылы жалпыға қолжетімді.
2-кестедегі нәтижелерді шығару үшін қажетті кодты GitHub сайтында табуға болады: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (125- сілтеме) және Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (сілтеме) және https://codeocean.com/capsule/0799002/tree/v1 (127 сілтеме).
Randall, D., and Welser, K., The Irreproducibility Crisis in Modern Science: себептері, салдары және реформалау жолдары (Ұлттық ғалымдар қауымдастығы, 2018).
Ричи, С. Ғылыми фантастика: алаяқтық, біржақтылық, үнсіздік және алаяқтық шындықты іздеуді қалай бұзады (Винтаж, 2020).
Ашық ғылыми ынтымақтастық. Психология ғылымындағы репродуктивтілікті бағалау. Ғылым 349, AAAC4716 (2015).
Принц, Ф., Шланге, Т. және Асадулла, К. Сенесіз бе, жоқ па: Біз есірткінің ықтимал мақсаттары туралы жарияланған деректерге қаншалықты сене аламыз? Нат. Аян «Есірткілердің ашылуы». 10, 712 (2011 ж.).
Бегли, KG және Эллис, LM Клиникаға дейінгі қатерлі ісік зерттеулеріндегі стандарттарды көтеру. Табиғат 483, 531–533 (2012).
А. Гельман және Э. Локен, «Айналмалы жолдардың бағы: Неліктен «Балық аулау экспедициялары» немесе «п-хак» және алдын ала жасалған зерттеу гипотезалары болмаса да, бірнеше салыстыру проблема болып табылады, т. 348, 1–17 (Статистика департаменті, 2013 ж.).
Карагиорги, Г., Касецка, Г., Кравиц, С., Начман, Б. және Ши, Д. Жаңа іргелі физиканы іздеуде машиналық оқыту. Нат. Физика бойынша философия докторы. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM және Ahsan MJ. Дәрілік заттарды табудағы машиналық оқыту: шолу. Атиф. Intel. Ред. 55, 1947–1999 (2022).
Mather, AS және Coote, ML Химия бойынша терең оқыту. Дж.Химия. хабарлау. Үлгі. 59, 2545–2559 (2019 ж.).
Раджкомар А., Декан Дж. және Кохан И. Медицинадағы машиналық оқыту. Жаңа Англия медицина журналы. 380, 1347–1358 (2019 ж.).
Гриммер Дж, Робертс ME. және Стюарт Б.М. Әлеуметтік ғылымдардағы машиналық оқыту: агностикалық көзқарас. Рев. Энн Бол. ғылым. 24, 395–419 (2021).
Jump, J. et al. Альфафольді пайдалана отырып, ақуыз құрылымының жоғары дәлдігін болжаңыз. Табиғат 596, 583–589 (2021).
Гундерсен, О.Э., Коакли, К., Киркпатрик, К. және Гил, Ю. Машиналық оқытудағы қайталанбайтындықтың көздері: шолу. Алдын ала басып шығару https://arxiv.org/abs/2204.07610 (2022) мекенжайында қолжетімді.
Скалли, Д., Снук, Дж., Вилтчко, А. және Рахими, А. Виннердің қарғысы? Эмпирикалық дәлелдемелердің жылдамдығы, прогрессі және қатаңдығы туралы (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., and Zobel, Non-additive improvements: 1998 жылдан бері алдын ала іздеу нәтижелері. 18th ACM Conference on Information and Knowledge Management 601–610 (ACM 2009).
Капур, С. және Нараянан, А. Машиналық оқытуға негізделген ғылымдағы ағып кету және қайталану дағдарыстары. Үлгілер, 4, 100804 (2023).
Капур С. және т.б. Реформа: машиналық оқытуға негізделген ғылыми есеп беру стандарттары. Алдын ала басып шығару https://arxiv.org/abs/2308.07832 (2023) мекенжайында қолжетімді.
ДеМаси, О., Кординг, С. және Рехт, Б. Мағынасыз салыстырулар медициналық машинаны оқытуда жалған оптимизмге әкелуі мүмкін. PloS ONE 12, e0184604 (2017).
Робертс, М., т.б. Кеуде рентгені мен компьютерлік томографиядан COVID-19-ны анықтау және болжау үшін машиналық оқытуды пайдаланудың жалпы қателері мен үздік тәжірибелері. Нат. Макс. Intel. 3, 199–217 (2021).
Winantz L. et al. COVID-19 диагностикасы мен болжамының болжамды модельдері: жүйелі шолу және сыни бағалау. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS және Pollard KS геномикада машиналық оқытуды қолданудың қателіктерін жеңу. Нат. Пастор Джинетт. 23, 169–181 (2022).
Атрис Н. және т.б. Химиядағы машиналық оқытудың үздік тәжірибелері. Нат. Химиялық. 13, 505–508 (2021).
Брунтон С.Л. және Куц Дж.Н. Дербес дифференциалдық теңдеулерді машиналық оқытудың перспективалық бағыттары. Нат. есептеу. ғылым. 4, 483–494 (2024).
Винуэса, Р. және Брунтон, С.Л. Машиналық оқыту арқылы есептеу сұйықтығының динамикасын жақсарту. Нат. есептеу. ғылым. 2, 358–366 (2022).
Comeau, S. et al. Физикалық ақпараттандырылған нейрондық желілермен ғылыми машиналық оқыту: біз қазір қайдамыз және келесіде не болады. J. Ғылым. есептеу. 92, 88 (2022 ж.).
Дурайсами, К., Яккарино, Г. және Сяо, Х. Деректер дәуіріндегі турбулентті модельдеу. Аннның қайта қаралған басылымы. 51, 357–377 (2019 ж.).
Дурран, ДР Геофизикалық гидродинамикадағы толқындық теңдеулерді шешудің сандық әдістері, т. 32 (Спрингер, 2013).
Мишра, С. Дифференциалдық теңдеулерді деректерге негізделген есептеулерді жеделдетуге арналған машиналық оқыту жүйесі. математика. инженер. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Кочиков Д. және т.б. Машиналық оқыту – есептеу сұйықтығының динамикасын жеделдету. процесс. Ұлттық ғылым академиясы. ғылым. АҚШ 118, e2101784118 (2021).
Кадапа, К. Информатика және инженерия үшін машиналық оқыту – қысқаша кіріспе және кейбір негізгі мәселелер. Алдын ала басып шығару https://arxiv.org/abs/2112.12054 (2021) мекенжайында қолжетімді.
Росс, А., Ли, З., Пережогин, П., Фернандес-Гранда, С. және Занна, Л. Идеалдандырылған модельдердегі мұхиттың ішкі торының параметрін машиналық оқытудың салыстырмалы талдауы. J.Adv. Үлгі. жер жүйесі. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., and Brandstetter, J. PDE нақтылау: нейрондық PDE еріткішімен дәл ұзақ экструзияға қол жеткізу. Нейрондық ақпаратты өңдеу жүйелері бойынша 37-ші конференция (NeurIPS 2023).
Frachas, PR et al. Күрделі кеңістік-уақыттық динамикасын болжау үшін қайталанатын нейрондық желілерде кері таралу алгоритмі және резервуарды есептеу. нейрондық желі. 126, 191–217 (2020).
Раисси, М., Пердикарис, П. және Карниадакис, GE Физика, информатика, нейрондық желілер: сызықты емес дербес дифференциалдық теңдеулерді қамтитын тура және кері есептерді шешу үшін терең оқыту жүйесі. J. Компьютер. физика. 378, 686–707 (2019 ж.).
Гроссман, Т.Г., Коморовска, Ю.Ж., Луц, Дж. және Шёнлиб, К.-Б. Физикаға негізделген нейрондық желілер соңғы элементтер әдістерінен асып түсе ала ма? IMA J. Қолданбалар. математика. 89, 143–174 (2024).
де ла Мата, ФФ, Гижон, А., Молина-Солана, М. және Гомес-Ромеро, Дж. Деректерге негізделген модельдеуге арналған физикаға негізделген нейрондық желілер: артықшылықтар, шектеулер және мүмкіндіктер. физика. A 610, 128415 (2023).
Жуан, П.-Ю. & Барба, LA Сұйықтықты модельдеудегі физикаға негізделген нейрондық желілер туралы эмпирикалық есеп: тұзақтар мен көңілсіздіктер. Алдын ала басып шығару https://arxiv.org/abs/2205.14249 (2022) мекенжайында қолжетімді.
Жуан, П.-Ю. және Барба, Лос-Анджелес. Құйынның пайда болуына физикалық ақпараттандырылған нейрондық желілердің болжамды шектеулері. Алдын ала басып шығару https://arxiv.org/abs/2306.00230 (2023) мекенжайында қолжетімді.
Ван, С., Ю, Х. және Пердикарис, П. Пиндер қашан және неге жаттықтыра алмайды: нейрондық жанама ядроның перспективасы. J. Компьютер. физика. 449, 110768 (2022 ж.).
Кришнаприян, А., Голами, А., Дже, С., Кирби, Р. және Махони, МВ Физикалық ақпараттық нейрондық желілердегі мүмкін болатын сәтсіздік режимдерінің сипаттамалары. Нейрондық ақпаратты өңдеу жүйелері бойынша 35-ші конференция том. 34, 26548–26560 (NeurIPS 2021).
Басир, С. және Сенокак, I. Физикаға негізделген нейрондық желілердегі сәтсіздік режимдерін сыни зерттеу. AiAA SCITECH 2022 форумында 2353 (ARK, 2022).
Карнаков П., Литвинов С. және Коумутсакос П. Дискретті шығындарды оңтайландыру арқылы физикалық кері есептерді шешу: нейрондық желілерсіз жылдам және дәл оқыту. процесс. Ұлттық ғылым академиясы. ғылым. Nexus 3, pgae005 (2024).
Гундерсен О.Е. Репродуктивтіліктің негізгі принциптері. Phil.cross. Р.Шүкер. A 379, 20200210 (2021).
Aromataris E және Pearson A. Жүйелі шолулар: шолу. Иә. J. Мейірбике ісі 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, and Rohde, K. Riemann мәселесіне арналған шектеуді ескеретін нейрондық желілер. J. Компьютер. физика. 409, 109345 (2020 ж.).
Безгин Д.А., Шмидт СДж және Адамс Н.А. Классикалық емес төмендетілген кернеу соққылары үшін деректерге негізделген физикалық ақпараттандырылған шекті көлем тізбегі. J. Компьютер. физика. 437, 110324 (2021 ж.).
Жіберу уақыты: 29 қыркүйек 2024 ж