សូមអរគុណសម្រាប់ការទស្សនា Nature.com ។ កំណែរបស់កម្មវិធីរុករកតាមអ៊ីនធឺណិតដែលអ្នកកំពុងប្រើមានកម្រិតគាំទ្រ CSS ។ ដើម្បីទទួលបានលទ្ធផលល្អបំផុត យើងសូមណែនាំឱ្យអ្នកប្រើកំណែថ្មីនៃកម្មវិធីរុករកតាមអ៊ីនធឺណិតរបស់អ្នក (ឬបិទមុខងារភាពឆបគ្នានៅក្នុង Internet Explorer)។ ក្នុងពេលនេះ ដើម្បីធានាបាននូវការគាំទ្រជាបន្ត យើងកំពុងបង្ហាញគេហទំព័រដោយមិនប្រើរចនាប័ទ្ម ឬ JavaScript។
កម្មវិធីដ៏ជោគជ័យមួយនៃការរៀនម៉ាស៊ីននៅក្នុងរូបវិទ្យាគណនាគឺជាដំណោះស្រាយបង្កើនល្បឿននៃសមីការឌីផេរ៉ង់ស្យែលផ្នែក (PDEs)។ គោលដៅចម្បងរបស់អ្នកដោះស្រាយសមីការឌីផេរ៉ង់ស្យែលផ្នែកដែលផ្អែកលើការរៀនម៉ាស៊ីនគឺដើម្បីបង្កើតដំណោះស្រាយដែលមានភាពត្រឹមត្រូវគ្រប់គ្រាន់លឿនជាងវិធីសាស្ត្រលេខស្តង់ដារ ដើម្បីបម្រើជាការប្រៀបធៀបមូលដ្ឋាន។ ជាដំបូងយើងធ្វើការពិនិត្យឡើងវិញជាប្រព័ន្ធនៃអក្សរសិល្ប៍រៀនម៉ាស៊ីនលើការដោះស្រាយសមីការឌីផេរ៉ង់ស្យែលដោយផ្នែក។ ក្នុងចំណោមឯកសារទាំងអស់ដែលរាយការណ៍អំពីការប្រើប្រាស់ ML ដើម្បីដោះស្រាយសមីការឌីផេរ៉ង់ស្យែលផ្នែកសារធាតុរាវ និងការទាមទារឧត្តមភាពលើវិធីសាស្ត្រលេខស្តង់ដារ យើងបានកំណត់អត្តសញ្ញាណ 79% (60/76) បើប្រៀបធៀបទៅនឹងកម្រិតមូលដ្ឋានខ្សោយ។ ទីពីរ យើងបានរកឃើញភ័ស្តុតាងនៃភាពលំអៀងនៃការរាយការណ៍យ៉ាងទូលំទូលាយ ជាពិសេសនៅក្នុងការរាយការណ៍លទ្ធផល និងការលំអៀងនៃការបោះពុម្ពផ្សាយ។ យើងសន្និដ្ឋានថា ការស្រាវជ្រាវលើម៉ាស៊ីនសិក្សាលើការដោះស្រាយសមីការឌីផេរ៉ង់ស្យែលផ្នែកគឺមានសុទិដ្ឋិនិយមហួសហេតុ៖ ទិន្នន័យបញ្ចូលខ្សោយអាចនាំទៅរកលទ្ធផលវិជ្ជមានហួសហេតុ ហើយការរាយការណ៍លំអៀងអាចនាំឱ្យមានការរាយការណ៍តិចតួចនៃលទ្ធផលអវិជ្ជមាន។ មួយផ្នែកធំ បញ្ហាទាំងនេះហាក់ដូចជាបណ្តាលមកពីកត្តាស្រដៀងនឹងវិបត្តិនៃការផលិតឡើងវិញកាលពីអតីតកាល៖ ការសម្រេចចិត្តរបស់អ្នកស៊ើបអង្កេត និងការលំអៀងនៃលទ្ធផលវិជ្ជមាន។ យើងអំពាវនាវឱ្យមានការផ្លាស់ប្តូរវប្បធម៌ពីបាតឡើងលើ ដើម្បីកាត់បន្ថយការរាយការណ៍លំអៀង និងកំណែទម្រង់រចនាសម្ព័ន្ធពីលើចុះក្រោម ដើម្បីកាត់បន្ថយការលើកទឹកចិត្តដែលមិនច្បាស់លាស់ដើម្បីធ្វើដូច្នេះ។
បញ្ជីអ្នកនិពន្ធ និងអត្ថបទដែលបង្កើតឡើងដោយការពិនិត្យឡើងវិញជាប្រព័ន្ធ ក៏ដូចជាការចាត់ថ្នាក់នៃអត្ថបទនីមួយៗនៅក្នុងគំរូចៃដន្យ មានជាសាធារណៈនៅ https://doi.org/10.17605/OSF.IO/GQ5B3 (យោង 124)។
កូដដែលត្រូវការដើម្បីបង្កើតលទ្ធផលឡើងវិញក្នុងតារាងទី 2 អាចរកបាននៅលើ GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (យោង 125) និងនៅលើ Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (link 126) និង https://codeocean.com/capsule/0799002/tree/v1 (តំណភ្ជាប់ 127) ។
Randall, D., and Welser, K., The Ireproducibility Crisis in Modern Science: មូលហេតុ ផលវិបាក និងផ្លូវសម្រាប់កំណែទម្រង់ (សមាគមអ្នកវិទ្យាសាស្ត្រជាតិ 2018)។
Ritchie, S. ការប្រឌិតបែបវិទ្យាសាស្ត្រ៖ តើការក្លែងបន្លំ ភាពលំអៀង ភាពស្ងៀមស្ងាត់ និងការបំផ្លើសបំផ្លាញការស្វែងរកការពិតយ៉ាងណា (Vintage, 2020)។
បើកកិច្ចសហប្រតិបត្តិការវិទ្យាសាស្ត្រ។ ការវាយតម្លៃលទ្ធភាពបន្តពូជនៅក្នុងវិទ្យាសាស្ត្រចិត្តសាស្ត្រ។ វិទ្យាសាស្រ្ត 349, AAAC4716 (2015) ។
Prinz, F., Schlange, T. និង Asadullah, K. ជឿឬមិនជឿ៖ តើយើងអាចពឹងផ្អែកលើទិន្នន័យដែលបានបោះពុម្ពផ្សាយលើគោលដៅគ្រឿងញៀនដែលមានសក្តានុពលប៉ុណ្ណា? ណាត។ វិវរណៈ "ការរកឃើញនៃគ្រឿងញៀន" ។ 10, 712 (2011) ។
Begley, KG និង Ellis, LM ការបង្កើនស្តង់ដារក្នុងការស្រាវជ្រាវជំងឺមហារីកមុន។ ធម្មជាតិ 483, 531–533 (2012)។
A. Gelman និង E. Loken, The Garden of Forking Paths: ហេតុអ្វីបានជាការប្រៀបធៀបច្រើនគឺជាបញ្ហា ទោះបីជាគ្មាន "ការស្ទូចត្រី" ឬ "p-hacks" និង preformed research hypotheses, vol. 348, 1–17 (នាយកដ្ឋានស្ថិតិ ឆ្នាំ 2013)។
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., and Shi, D. Machine learning ក្នុងការស្វែងរករូបវិទ្យាមូលដ្ឋានថ្មី។ ណាត។ បណ្ឌិតទស្សនវិជ្ជាក្នុងរូបវិទ្យា។ ៤, ៣៩៩–៤១២ (២០២២)។
Dara S, Damercherla S, Jadhav SS, Babu CM និង Ahsan MJ ។ ការរៀនម៉ាស៊ីននៅក្នុងការរកឃើញថ្នាំ៖ ការពិនិត្យឡើងវិញ។ អាទីហ្វ។ ក្រុមហ៊ុន Intel ។ អេដ។ 55, 1947–1999 (2022)។
Mather, AS និង Coote, ML ការរៀនជ្រៅក្នុងគីមីវិទ្យា។ J. គីមីវិទ្យា។ ជូនដំណឹង។ គំរូ។ 59, 2545–2559 (2019)។
Rajkomar A., Dean J. និង Kohan I. Machine learning in Medicine ។ New England Journal of Medicine ។ 380, 1347–1358 (ឆ្នាំ 2019)។
Grimer J, Roberts ME ។ និង Stewart BM Machine learning in social sciences: វិធីសាស្រ្តមិនច្បាស់លាស់។ វិវរណៈ Ann Ball ។ វិទ្យាសាស្ត្រ។ ២៤, ៣៩៥–៤១៩ (២០២១)។
លោត, J. et al ។ ធ្វើការព្យាករណ៍រចនាសម្ព័ន្ធប្រូតេអ៊ីនដែលមានភាពត្រឹមត្រូវខ្ពស់ដោយប្រើ alphafold ។ ធម្មជាតិ 596, 583–589 (2021) ។
Gundersen, OE, Coakley, K., Kirkpatrick, K., និង Gil, Y. ប្រភពនៃភាពមិនអាចផលិតឡើងវិញក្នុងការរៀនម៉ាស៊ីន៖ ការពិនិត្យឡើងវិញ។ បោះពុម្ពជាមុនមាននៅ https://arxiv.org/abs/2204.07610 (2022)។
Scully, D., Snook, J., Wiltschko, A., និង Rahimi, A. បណ្តាសារបស់អ្នកឈ្នះ? លើល្បឿន វឌ្ឍនភាព និងភាពម៉ត់ចត់នៃភស្តុតាងជាក់ស្តែង (ICLR, 2018)។
Armstrong, TG, Moffat, A., Webber, W., និង Zobel, J. ភាពប្រសើរឡើងដែលមិនមែនជាសារធាតុបន្ថែម៖ លទ្ធផលស្វែងរកបឋមចាប់តាំងពីឆ្នាំ 1998 ។ សន្និសីទ ACM លើកទី 18 ស្តីពីការគ្រប់គ្រងព័ត៌មាន និងចំណេះដឹង 601–610 (ACM 2009) ។
Kapoor, S. និង Narayanan, A. វិបត្តិការលេចធ្លាយ និងការបន្តពូជនៅក្នុងវិទ្យាសាស្ត្រដែលផ្អែកលើការរៀនម៉ាស៊ីន។ លំនាំ, 4, 100804 (2023) ។
Kapoor S. et al ។ កំណែទម្រង់៖ ស្តង់ដាររបាយការណ៍វិទ្យាសាស្ត្រផ្អែកលើការរៀនម៉ាស៊ីន។ បោះពុម្ពជាមុនមាននៅ https://arxiv.org/abs/2308.07832 (2023)។
DeMasi, O., Cording, C., និង Recht, B. ការប្រៀបធៀបគ្មានន័យអាចនាំទៅរកសុទិដ្ឋិនិយមមិនពិតក្នុងការរៀនម៉ាស៊ីនវេជ្ជសាស្រ្ត។ PloS ONE 12, e0184604 (2017) ។
Roberts, M. , et al ។ កំហុសទូទៅ និងការអនុវត្តល្អបំផុតសម្រាប់ការប្រើប្រាស់ម៉ាស៊ីនរៀនដើម្បីរក និងទស្សន៍ទាយអំពី COVID-19 ពីការថតកាំរស្មីអ៊ិចទ្រូង និង tomography ដែលបានគណនា។ ណាត។ អតិបរមា។ ក្រុមហ៊ុន Intel ។ ៣, ១៩៩–២១៧ (២០២១)។
Winantz L. et al ។ គំរូទស្សន៍ទាយសម្រាប់ការធ្វើរោគវិនិច្ឆ័យ និងការព្យាករណ៍នៃ COVID-19៖ ការត្រួតពិនិត្យជាប្រព័ន្ធ និងការវាយតម្លៃសំខាន់។ BMJ 369, m1328 (2020) ។
Whalen S., Schreiber J., Noble WS និង Pollard KS ការយកឈ្នះលើភាពលំបាកនៃការប្រើប្រាស់ម៉ាស៊ីនរៀននៅក្នុងហ្សែន។ ណាត។ គ្រូគង្វាល Ginette ។ ២៣, ១៦៩–១៨១ (២០២២)។
Atris N. et al ។ ការអនុវត្តល្អបំផុតសម្រាប់ការរៀនម៉ាស៊ីននៅក្នុងគីមីវិទ្យា។ ណាត។ គីមី។ ១៣, ៥០៥–៥០៨ (២០២១)។
Brunton SL និង Kutz JN ទិសដៅសន្យាសម្រាប់ការរៀនម៉ាស៊ីននៃសមីការឌីផេរ៉ង់ស្យែលផ្នែក។ ណាត។ គណនា។ វិទ្យាសាស្ត្រ។ ៤, ៤៨៣–៤៩៤ (២០២៤)។
Vinuesa, R. និង Brunton, SL ការកែលម្អសក្ដានុពលនៃអង្គធាតុរាវក្នុងការគណនាតាមរយៈការរៀនម៉ាស៊ីន។ ណាត។ គណនា។ វិទ្យាសាស្ត្រ។ ២, ៣៥៨–៣៦៦ (២០២២)។
Comeau, S. et al ។ ការរៀនម៉ាស៊ីនតាមបែបវិទ្យាសាស្ត្រជាមួយបណ្តាញសរសៃប្រសាទដែលមានព័ត៌មានរាងកាយ៖ កន្លែងដែលយើងឥឡូវនេះ និងអ្វីដែលបន្ទាប់។ J. វិទ្យាសាស្ត្រ។ គណនា។ ៩២, ៨៨ (២០២២)។
Duraisamy, K., Yaccarino, G., និង Xiao, H. Turbulence modeling នៅក្នុងយុគសម័យទិន្នន័យ។ ការបោះពុម្ពផ្សាយរបស់ Ann ។ ៥១, ៣៥៧–៣៧៧ (ឆ្នាំ ២០១៩)។
Durran, DR វិធីសាស្រ្តជាលេខសម្រាប់ដោះស្រាយសមីការរលកក្នុង hydrodynamics ភូមិសាស្ត្រ, លេខ 32 (Sringer, 2013)។
Mishra, S. ក្របខ័ណ្ឌសិក្សាម៉ាស៊ីនសម្រាប់បង្កើនល្បឿនការគណនាដែលជំរុញដោយទិន្នន័យនៃសមីការឌីផេរ៉ង់ស្យែល។ គណិតវិទ្យា។ វិស្វករ។ https://doi.org/10.3934/Mine.2018.1.118 (2018) ។
Kochikov D. et al ។ ការរៀនម៉ាស៊ីន - ការបង្កើនល្បឿននៃសក្ដានុពលនៃអង្គធាតុរាវក្នុងការគណនា។ ដំណើរការ។ បណ្ឌិតសភាវិទ្យាសាស្ត្រជាតិ។ វិទ្យាសាស្ត្រ។ US 118, e2101784118 (2021)។
Kadapa, K. ការរៀនម៉ាស៊ីនសម្រាប់វិទ្យាសាស្ត្រកុំព្យូទ័រ និងវិស្វកម្ម – ការណែនាំខ្លីៗ និងបញ្ហាសំខាន់ៗមួយចំនួន។ បោះពុម្ពជាមុនមាននៅ https://arxiv.org/abs/2112.12054 (2021)។
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., និង Zanna, L. ការវិភាគប្រៀបធៀបនៃម៉ាស៊ីនសិក្សាប៉ារ៉ាម៉ែត្រអនុក្រឡាចត្រង្គមហាសមុទ្រនៅក្នុងគំរូឧត្តមគតិ។ J.Adv. គំរូ។ ប្រព័ន្ធផែនដី។ 15. e2022MS003258 (2023) ។
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., and Brandstetter, J. PDE ចម្រាញ់៖ សម្រេចបានការបន្ថែមវែងដ៏ត្រឹមត្រូវជាមួយនឹងឧបករណ៍ដោះស្រាយ PDE សរសៃប្រសាទ។ សន្និសីទលើកទី 37 ស្តីពីប្រព័ន្ធដំណើរការព័ត៌មានសរសៃប្រសាទ (NeurIPS 2023) ។
Frachas, PR et al ។ ក្បួនដោះស្រាយ Backpropagation និងការគណនាអាងស្តុកទឹកនៅក្នុងបណ្តាញសរសៃប្រសាទដែលកើតឡើងដដែលៗសម្រាប់ការទស្សន៍ទាយពីសក្ដានុពល spatiotemporal ស្មុគស្មាញ។ បណ្តាញសរសៃប្រសាទ។ ១២៦, ១៩១–២១៧ (ឆ្នាំ ២០២០)។
Raissi, M., Perdikaris, P. and Karniadakis, GE Physics, computer science, neural networks: ក្របខ័ណ្ឌសិក្សាជ្រៅជ្រះសម្រាប់ការដោះស្រាយបញ្ហាទៅមុខ និងបញ្ច្រាសដែលពាក់ព័ន្ធនឹងសមីការឌីផេរ៉ង់ស្យែលផ្នែកដែលមិនមែនជាលីនេអ៊ែរ។ J. កុំព្យូទ័រ។ រូបវិទ្យា។ ៣៧៨, ៦៨៦–៧០៧ (ឆ្នាំ ២០១៩)។
Grossmann, TG, Komorowska, UJ, Lutz, J., និង Schönlieb, K.-B. តើបណ្តាញសរសៃប្រសាទដែលមានមូលដ្ឋានលើរូបវិទ្យាអាចដំណើរការជាងវិធីសាស្ត្រធាតុកំណត់បានទេ? កម្មវិធី IMA J. គណិតវិទ្យា។ ៨៩, ១៤៣–១៧៤ (២០២៤)។
de la Mata, FF, Gijon, A., Molina-Solana, M., និង Gómez-Romero, J. Physics-based neural networks for data-driven modeling: គុណសម្បត្តិ ដែនកំណត់ និងឱកាស។ រូបវិទ្យា។ A 610, 128415 (2023) ។
Zhuang, P.-Y. & Barba, LA របាយការណ៍ជាក់ស្តែងស្តីពីបណ្តាញសរសៃប្រសាទផ្អែកលើរូបវិទ្យានៅក្នុងគំរូវត្ថុរាវ៖ ភាពលំបាក និងការខកចិត្ត។ បោះពុម្ពជាមុនមាននៅ https://arxiv.org/abs/2205.14249 (2022)។
Zhuang, P.-Y. និង Barba, LA ការកំណត់ការទស្សន៍ទាយនៃបណ្តាញសរសៃប្រសាទដែលមានព័ត៌មានរាងកាយលើការបង្កើត vortex ។ បោះពុម្ពជាមុនមាននៅ https://arxiv.org/abs/2306.00230 (2023)។
Wang, S., Yu, H. និង Perdikaris, P. ពេលណា និងមូលហេតុដែល pinns បរាជ័យក្នុងការហ្វឹកហាត់៖ ទស្សនវិស័យនៃស្នូលសរសៃប្រសាទ។ J. កុំព្យូទ័រ។ រូបវិទ្យា។ 449, 110768 (2022) ។
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., និង Mahoney, MW លក្ខណៈនៃរបៀបបរាជ័យដែលអាចកើតមាននៅក្នុងបណ្តាញសរសៃប្រសាទព័ត៌មានរាងកាយ។ សន្និសីទលើកទី 35 ស្តីពីប្រព័ន្ធដំណើរការព័ត៌មានសរសៃប្រសាទ វ៉ុល។ 34, 26548–26560 (NeurIPS 2021)។
Basir, S. និង Senokak, I. ការសិក្សាសំខាន់នៃរបៀបបរាជ័យនៅក្នុងបណ្តាញសរសៃប្រសាទផ្អែកលើរូបវិទ្យា។ នៅក្នុង AiAA SCITECH 2022 Forum 2353 (ARK, 2022)។
Karnakov P., Litvinov S. និង Koumoutsakos P. ការដោះស្រាយបញ្ហាបញ្ច្រាស់រាងកាយដោយការបង្កើនប្រសិទ្ធភាពការបាត់បង់ដាច់ដោយឡែក៖ ការរៀនលឿន និងត្រឹមត្រូវដោយគ្មានបណ្តាញសរសៃប្រសាទ។ ដំណើរការ។ បណ្ឌិតសភាវិទ្យាសាស្ត្រជាតិ។ វិទ្យាសាស្ត្រ។ Nexus 3, pgae005 (2024) ។
Gundersen OE គោលការណ៍ជាមូលដ្ឋាននៃការបន្តពូជ។ Phil.cross R. Shuker ។ A 379, 20200210 (2021)។
Aromataris E និង Pearson A. ការពិនិត្យជាប្រព័ន្ធ៖ ទិដ្ឋភាពទូទៅ។ បាទ។ J. Nursing 114, 53–58 (2014)។
Magiera, J., Ray, D., Hesthaven, JS, និង Rohde, K. បណ្តាញសរសៃប្រសាទដែលដឹងអំពីកម្រិតសម្រាប់បញ្ហា Riemann ។ J. កុំព្យូទ័រ។ រូបវិទ្យា។ ៤០៩, ១០៩៣៤៥ (ឆ្នាំ ២០២០)។
Bezgin DA, Schmidt SJ និង Adams NA ដែលជំរុញដោយទិន្នន័យដែលបានជូនដំណឹងជារូបវ័ន្តនៃសៀគ្វីបរិមាណកំណត់សម្រាប់ការឆក់វ៉ុលដែលកាត់បន្ថយដែលមិនមែនជាបុរាណ។ J. កុំព្យូទ័រ។ រូបវិទ្យា។ 437, 110324 (2021) ។
ពេលវេលាប្រកាស៖ ថ្ងៃទី ២៩ ខែកញ្ញា ឆ្នាំ ២០២៤