Spas ji bo serdana Nature.com. Guhertoya geroka ku hûn bikar tînin piştgiriya CSS-ê bi sînor e. Ji bo encamên çêtirîn, em pêşniyar dikin ku hûn guhertoyek nûtir a geroka xwe bikar bînin (an jî Moda Lihevhatinê di Internet Explorer-ê de neçalak bikin). Di vê navberê de, ji bo misogerkirina piştgiriya domdar, em malperê bêyî şêwazkirin an JavaScript nîşan didin.
Yek ji sepanên herî sozdar ên fêrbûna makîneyê di fîzîka hesabkerî de çareseriya bilez a hevkêşeyên dîferansiyel ên qismî (PDE) ye. Armanca sereke ya çareserkerek hevkêşeyên dîferansiyel ên qismî ya li ser bingeha fêrbûna makîneyê ew e ku çareseriyên ku ji rêbazên hejmarî yên standard zûtir rast in, wekî berawirdkirinek bingehîn xizmet bikin, hilberîne. Em pêşî nirxandinek sîstematîk a wêjeya fêrbûna makîneyê li ser çareserkirina hevkêşeyên dîferansiyel ên qismî dikin. Ji hemî gotarên ku karanîna ML-ê ji bo çareserkirina hevkêşeyên dîferansiyel ên qismî yên şile radigihînin û îdîa dikin ku li ser rêbazên hejmarî yên standard serdest in, me 79% (60/76) li gorî xetên bingehîn ên qels destnîşan kir. Ya duyemîn, me delîlên xeletiya ragihandinê ya berfireh dîtin, nemaze di ragihandina encamê û xeletiya weşanê de. Em encam didin ku lêkolîna fêrbûna makîneyê li ser çareserkirina hevkêşeyên dîferansiyel ên qismî pir zêde optimîst e: daneyên têketinê yên qels dikarin bibin sedema encamên pir erênî, û xeletiya ragihandinê dikare bibe sedema kêm ragihandina encamên neyînî. Bi piranî, xuya ye ku ev pirsgirêk ji hêla faktorên dişibin krîzên dubarekirinê yên berê ve têne çêkirin: îhtiyara lêkolîner û xeletiya encamên erênî. Em banga guhertina çandî ya ji jêr ber bi jor ve dikin da ku ragihandina xelet kêm bikin û reforma avahîsaziyê ya ji jor ber bi jêr ve bikin da ku teşwîqên xirab ji bo vê yekê kêm bikin.
Lîsteya nivîskar û gotarên ku ji hêla nirxandina sîstematîk ve hatine çêkirin, û her weha dabeşkirina her gotarê di nimûneya rasthatî de, li https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124) ji bo raya giştî peyda dibe.
Koda ku ji bo dubarekirina encamên di Tabloya 2-an de pêwîst e, li ser GitHub-ê tê dîtin: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) û li ser Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (lînka 126) û https://codeocean.com/capsule/0799002/tree/v1 (lînka 127).
Randall, D., û Welser, K., Krîza Dubarenekirinê di Zanista Modern de: Sedem, Encam, û Rêyên Çaksazkirinê (Komeleya Neteweyî ya Zanayan, 2018).
Ritchie, S. Çîroka Zanistî: Çawa Sextekarî, Pêşdarazî, Bêdengî û Dengvedan Lêgerîna Rastiyê Xera Dikin (Vintage, 2020).
Hevkariya zanistî ya vekirî. Nirxandina dubarekirinê di zanista psîkolojîk de. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., û Asadullah, K. Bawer bike an neke: Em çiqas dikarin xwe bispêrin daneyên weşandî yên li ser hedefên potansiyel ên dermanan? Nat. Rev. "Vedîtina Dermanan." 10, 712 (2011).
Begley, KG û Ellis, LM Bilindkirina standardan di lêkolîna pêşklînîkî ya penceşêrê de. Nature 483, 531–533 (2012).
A. Gelman û E. Loken, Baxçeyê Rêyên Çêkirî: Çima Berawirdkirinên Piralî Pirsgirêkek in Tewra Bêyî "Seferên Masîgiriyê" an "p-hacks" û Hîpoteza Lêkolîna Pêşwext, cild 348, 1–17 (Wezareta Îstatîstîkê, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., û Shi, D. Fêrbûna makîneyê di lêgerîna fîzîka bingehîn a nû de. Nat. Doktorê Felsefeyê di Fîzîkê de. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM û Ahsan MJ. Fêrbûna makîneyê di kifşkirina dermanan de: nirxandinek. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS û Coote, ML Fêrbûna kûr di kîmyayê de. J.Chemistry. notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. û Kohan I. Fêrbûna makîneyê di bijîşkiyê de. Kovara Dermanê ya New England. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. û Stewart BM Fêrbûna makîneyê di zanistên civakî de: nêzîkatiyek agnostîk. Rev. Ann Ball. zanist. 24, 395–419 (2021).
Jump, J. û yên din. Bi karanîna alphafold pêşbîniyên avahiya proteînê yên pir rast bikin. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., û Gil, Y. Çavkaniyên bêberhembûnê di fêrbûna makîneyê de: Nirxandinek. Pêşçap li https://arxiv.org/abs/2204.07610 (2022) peyda dibe.
Scully, D., Snook, J., Wiltschko, A., û Rahimi, A. Nifira Winner? Li ser leza, pêşketin û hişkbûna delîlên empîrîk (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., û Zobel, J. Pêşkeftinên ne-lêzêdekirinê: encamên lêgerînê yên destpêkê ji sala 1998an vir ve. 18emîn Konferansa ACM li ser Rêvebiriya Agahdarî û Zanînê 601–610 (ACM 2009).
Kapoor, S. û Narayanan, A. Krîzên leakbûn û dubarekirinê di zanista li ser bingeha fêrbûna makîneyê de. Patterns, 4, 100804 (2023).
Kapoor S. û yên din. Reform: standardên raporên zanistî yên li ser bingeha fêrbûna makîneyê. Pêşçap li https://arxiv.org/abs/2308.07832 (2023) heye.
DeMasi, O., Cording, C., û Recht, B. Berawirdkirinên bêwate dikarin di fêrbûna makîneya bijîşkî de bibin sedema geşbîniya derewîn. PloS ONE 12, e0184604 (2017).
Roberts, M., û yên din. Xeletiyên hevpar û baştirîn pratîkên ji bo karanîna fêrbûna makîneyê ji bo tespîtkirin û pêşbînîkirina COVID-19 ji tîrêjên X yên sîngê û tomografiya kompûterî. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. û yên din. Modelên pêşbînîkirinê ji bo teşhîs û pêşbîniya COVID-19: nirxandinek sîstematîk û nirxandinek rexnegir. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS û Pollard KS Derbaskirina ji kêmasiyên karanîna fêrbûna makîneyê di genomîkê de. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. û yên din. Baştirîn pratîkên ji bo fêrbûna makîneyê di kîmyayê de. Nat. Chemical. 13, 505–508 (2021).
Brunton SL û Kutz JN Rêbernameyên sozdar ji bo fêrbûna makîneyê ya hevkêşeyên dîferansiyel ên qismî. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. û Brunton, SL Baştirkirina dînamîkên şilavên hesabkerî bi rêya fêrbûna makîneyê. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. û yên din. Fêrbûna makîneyê ya zanistî bi torên neuralî yên bi agahdariya fîzîkî: Em niha li ku ne û çi ye. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., û Xiao, H. Modelkirina Turbulansê di Serdema Daneyan de. Çapa sererastkirî ya Ann. 51, 357–377 (2019).
Durran, DR Rêbazên hejmarî ji bo çareserkirina hevkêşeyên pêlan di hîdrodînamîka jeofîzîkî de, cild 32 (Springer, 2013).
Mishra, S. Çarçoveyek fêrbûna makîneyê ji bo lezandina hesabkirina hevkêşeyên dîferansiyel ên bi daneyan ve girêdayî. matematîk. endezyar. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. û yên din. Fêrbûna makîneyê - lezandina dînamîkên şilavên hesabkerî. pêvajo. Akademiya Neteweyî ya Zanistan. zanist. US 118, e2101784118 (2021).
Kadapa, K. Fêrbûna makîneyê ji bo zanist û endezyariya komputerê - pêşgotinek kurt û hin pirsgirêkên sereke. Pêşçap li https://arxiv.org/abs/2112.12054 (2021) heye.
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., û Zanna, L. Analîza berawirdî ya parametrekirina jêr-tora okyanûsê ya fêrbûna makîneyê di modelên îdealîzekirî de. J.Adv. Model. sîstema erdê. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., û Brandstetter, J. Paqijkirina PDE: bi çareserkerek PDE ya neuralî bidestxistina derxistinên dirêj ên rast. Konferansa 37emîn li ser Sîstemên Pêvajoya Agahdariya Neuralî (NeurIPS 2023).
Frachas, PR û yên din. Algorîtmaya paşveçûnê û hesabkirina rezervuarê di torên neuralî yên dubare de ji bo pêşbînîkirina dînamîkên cihî-demkî yên tevlihev. neural network. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. û Karniadakis, GE Fizîk, zanista komputerê, torên demarî: çarçoveyek fêrbûna kûr ji bo çareserkirina pirsgirêkên pêşverû û berevajî yên ku hevkêşeyên dîferansiyel ên qismî yên ne-xêzikî vedihewînin. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., û Schönlieb, K.-B. Gelo torên neuralî yên li ser bingeha fîzîkê dikarin ji rêbazên hêmanên dawî çêtir performansê nîşan bidin? IMA J. Applications. mathematics. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., û Gómez-Romero, J. Torgilokên neuralî yên li ser bingeha fîzîkê ji bo modelkirina daneyan: avantaj, sînorkirin û derfet. fîzîk. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Raporek empîrîk li ser torên neuralî yên li ser bingeha fîzîkî di modelkirina şilavê de: xefik û dilşikestin. Pêşçap li https://arxiv.org/abs/2205.14249 (2022) heye.
Zhuang, P.-Y. û Barba, LA Sînorkirinên pêşbînîkirî yên torên neuralî yên bi agahiyên fîzîkî li ser avakirina vorteksê. Pêşçap li https://arxiv.org/abs/2306.00230 (2023) heye.
Wang, S., Yu, H., û Perdikaris, P. Kengî û çima pinn perwerde nabin: Perspektîfek ji navika tangent a neural. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., û Mahoney, MW Taybetmendiyên modên têkçûna gengaz di torên neuralî yên agahdariya fîzîkî de. Konferansa 35emîn li ser Sîstemên Pêvajoya Agahdariya Neuralî Cild 34, 26548–26560 (NeurIPS 2021).
Basir, S. û Senokak, I. Lêkolînek rexnegir a li ser awayên têkçûnê di torên neuralî yên li ser bingeha fîzîkî de. Di AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. û Koumoutsakos P. Çareserkirina pirsgirêkên berevajî yên fîzîkî bi rêya baştirkirina windahiyên dîskret: fêrbûna bilez û rast bêyî torên neural. pêvajo. Akademiya Neteweyî ya Zanistan. zanist. Nexus 3, pgae005 (2024).
Gundersen OE Prensîbên bingehîn ên dubarekirinê. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E û Pearson A. Nirxandinên sîstematîk: nirxandinek giştî. Erê. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, û Rohde, K. Torgilokên neuralî yên bi astengiyan hişyar ji bo pirsgirêka Riemann. J. Komputer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ û Adams NA Çerxa qebareya dawî ya bi agahdariya fîzîkî ya daneyan ji bo şokên voltaja kêmkirî yên ne-klasîk. J. Computer. physics. 437, 110324 (2021).
Dema weşandinê: 29ê Îlonê, 2024