Nature.com сайтына киргениңиз үчүн рахмат. Сиз колдонуп жаткан браузердин версиясы чектелген CSS колдоосуна ээ. Мыкты натыйжаларга жетишүү үчүн, браузериңиздин жаңыраак версиясын колдонууну сунуштайбыз (же Internet Explorerдеги Шайкештик режимин өчүрүү). Ошол эле учурда, үзгүлтүксүз колдоону камсыз кылуу үчүн биз сайтты стилдөөсүз же JavaScriptсиз көрсөтүп жатабыз.
Эсептөө физикасында машина үйрөнүүнүн эң келечектүү колдонмолорунун бири – жарым-жартылай дифференциалдык теңдемелерди (ПДЭ) тездетилген чечүү. Машина үйрөнүүсүнө негизделген жарым-жартылай дифференциалдык теңдемелерди чечүүчүнүн негизги максаты - базалык салыштыруу катары кызмат кылуу үчүн стандарттуу сандык методдорго караганда тезирээк так чечимдерди чыгаруу. Биринчиден, биз жарым-жартылай дифференциалдык теңдемелерди чечүү боюнча машина үйрөнүү адабияттарын системалуу түрдө карап чыгабыз. Суюк жарым-жартылай дифференциалдык теңдемелерди чечүү үчүн ML колдонулушу жөнүндө отчет берген жана стандарттык сандык методдордон артыкчылыктуу деп ырастаган бардык документтердин ичинен биз начар базалык көрсөткүчтөргө салыштырмалуу 79% (60/76) аныктадык. Экинчиден, биз кеңири таралган отчеттуулуктун далилин таптык, айрыкча жыйынтык отчеттуулукта жана жарыялоодо. Жарым-жартылай дифференциалдык теңдемелерди чечүү боюнча машина үйрөнүү изилдөөлөрү өтө оптимисттик деп тыянак чыгарабыз: начар киргизилген маалыматтар өтө позитивдүү натыйжаларга алып келиши мүмкүн, ал эми отчеттуулук терс натыйжалар жөнүндө жетишсиз отчеттуулукка алып келиши мүмкүн. Көбүнчө, бул көйгөйлөр мурунку репродукциялык кризистерге окшош факторлордон улам келип чыгат: тергөөчүнүн ыктыяры жана оң натыйжага умтулуусу. Биз бир жактуу отчеттуулукту минималдаштыруу үчүн ылдыйдан өйдөгө маданий өзгөрүүлөрдү жана буга карата бузуку стимулдарды азайтуу үчүн жогорудан ылдый структуралык реформаны талап кылабыз.
Системалык кароонун натыйжасында түзүлгөн авторлордун жана макалалардын тизмеси, ошондой эле ар бир макаланын кокустан тандалып алынган классификациясы https://doi.org/10.17605/OSF.IO/GQ5B3 дареги боюнча жалпыга жеткиликтүү (реф. 124).
2-таблицадагы жыйынтыктарды кайра чыгаруу үчүн керектүү кодду GitHub сайтынан тапса болот: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) жана Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v6 (шилтеме) жана https://codeocean.com/capsule/0799002/tree/v1 (127-шилтеме).
Randall, D., and Welser, K., The Irreproducibility Crisis in Modern Science: Reform үчүн себептер, натыйжалар жана жолдор (Улуттук окумуштуулар ассоциациясы, 2018).
Ричи, С. Илимий фантастика: Кантип алдамчылык, бир тараптуулук, унчукпоо жана алпурушуп чындыкты издөөнү жокко чыгарат (Винтаж, 2020).
Ачык илимий кызматташтык. Психологиялык илимде кайра жаралууга баа берүү. Science 349, AAAC4716 (2015).
Принц, Ф., Шланж, Т., жана Асадулла, К. Ишенип коюңузбу же жокпу: Биз баңги заттардын потенциалдуу максаттары боюнча жарыяланган маалыматтарга канчалык ишенсек болот? Нат. Аян «Дары-дармектердин ачылышы». 10, 712 (2011).
Бегли, KG жана Эллис, LM Клиникага чейинки рак изилдөөлөрүндө стандарттарды жогорулатуу. Nature 483, 531–533 (2012).
А. Гельман жана Э.Локен, «Айылуучу жолдор бакчасы: «Балык уулоо экспедициялары» же «п-хактар» жана алдын ала түзүлгөн изилдөө гипотезалары болбосо дагы, эмне үчүн бир нече салыштыруулар көйгөй жаратат, т. 348, 1–17 (Статистика департаменти, 2013).
Карагиорги, Г., Касецка, Г., Кравиц, С., Начман, Б. жана Ши, Д. Машина үйрөнүү жаңы фундаменталдык физиканы издөөдө. Нат. Физика илимдеринин доктору. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM жана Ahsan MJ. Дары ачууда машинаны үйрөнүү: карап чыгуу. Atif. Intel. Эд. 55, 1947–1999 (2022).
Mather, AS жана Coote, ML Химия боюнча терең үйрөнүү. J. Химия. кабарлоо. Модел. 59, 2545–2559 (2019).
Ражкомар А., Декан Дж. жана Кохан И. Медицинада машинаны үйрөнүү. New England Journal of Medicine. 380, 1347–1358 (2019).
Гриммер Дж, Робертс ME. жана Стюарт Б.М. Коомдук илимдердеги машинаны үйрөнүү: агностикалык мамиле. Аян Энн Бол. илим. 24, 395–419 (2021).
Jump, J. жана башкалар. Alphafold колдонуу менен абдан так протеин структурасын болжолдоо. Жаратылыш 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., and Gil, Y. Машиналарды үйрөнүүдө кайталанбастыктын булактары: карап чыгуу. Алдын ала басып чыгаруу https://arxiv.org/abs/2204.07610 (2022) дареги боюнча жеткиликтүү.
Скалли, Д., Снук, Дж., Вилтчко, А. жана Рахими, А. Виннердин каргышы? Эмпирикалык далилдердин ылдамдыгы, прогресси жана катаалдыгы жөнүндө (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., and Zobel, Non-additive improvements: preliminal search results since 1998. 18th ACM Conference on Information and Knowledge Management 601–610 (ACM 2009).
Капур, С. жана Нараянан, А. Машиналарды үйрөнүүгө негизделген илимдеги агып кетүү жана кайталануу кризистери. Үлгүлөр, 4, 100804 (2023).
Капур С. жана башкалар. Реформа: машинаны үйрөнүүгө негизделген илимий отчеттуулук стандарттары. Алдын ала басып чыгаруу https://arxiv.org/abs/2308.07832 (2023) дарегинде жеткиликтүү.
DeMasi, O., Cording, C., and Recht, B. Мааниси жок салыштыруулар медициналык машинаны үйрөнүүдө жалган оптимизмге алып келиши мүмкүн. PloS ONE 12, e0184604 (2017).
Робертс, М., жана башкалар. Көкүрөк рентген нурларынан жана компьютердик томографиядан COVID-19ду аныктоо жана алдын ала айтуу үчүн машиналык үйрөнүүнү колдонуунун жалпы каталары жана мыкты тажрыйбалары. Нат. Макс. Intel. 3, 199–217 (2021).
Винанц Л. жана башкалар. COVID-19 диагнозу жана прогнозунун болжолдуу моделдери: системалуу карап чыгуу жана критикалык баа берүү. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS жана Pollard KS. Геномияда машиналык үйрөнүүнү колдонуудагы тузактарды жеңүү. Нат. Пастор Джинетт. 23, 169–181 (2022).
Атрис Н. жана башкалар. Химияда машинаны үйрөнүү боюнча мыкты тажрыйбалар. Нат. Химиялык. 13, 505–508 (2021).
Брунтон С.Л. жана Куц Дж.Н. Жарым-жартылай дифференциалдык теңдемелерди машина менен үйрөнүү үчүн келечектүү багыттар. Нат. эсептөө. илим. 4, 483–494 (2024).
Винуэса, Р. жана Брунтон, С.Л. Машина үйрөнүү аркылуу эсептөө суюктугунун динамикасын жакшыртуу. Нат. эсептөө. илим. 2, 358–366 (2022).
Комау, С жана башкалар. Физикалык жактан негизделген нейрон тармактары менен илимий машиналык үйрөнүү: биз азыр кайдабыз жана кийинки нерсе. J. Илим. эсептөө. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. жана Xiao, H. Турбуленттүүлүк моделдөө маалыматтар доорунда. Ann кайра каралган басылышы. 51, 357–377 (2019).
Дурран, ДР Геофизикалык гидродинамикадагы толкун теңдемелерин чечүүнүн сандык ыкмалары, т. 32 (Springer, 2013).
Mishra, S. Дифференциалдык теңдемелердин маалыматтарга негизделген эсептөөлөрүн тездетүү үчүн машина үйрөнүү негизи. математика. инженер. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Кочиков Д. жана башкалар. Машина үйрөнүү - эсептөө суюктуктарынын динамикасын тездетүү. процесс. Улуттук илимдер академиясы. илим. US 118, e2101784118 (2021).
Кадапа, К. Информатика жана инженерия үчүн машинаны үйрөнүү - кыскача киришүү жана кээ бир негизги маселелер. Алдын ала басып чыгаруу https://arxiv.org/abs/2112.12054 (2021) дарегинде жеткиликтүү.
Росс, A., Li, Z., Perejogin, P., Fernandez-Granda, C., жана Zanna, L. Идеалдаштырылган моделдеринде машина үйрөнүү океан subgrid параметрин салыштыруу талдоо. J.Adv. Модел. жер системасы. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Тернер, R., жана Брандстеттер, J. PDE тактоо: нейрон PDE чечүүчү менен так узун экструзияга жетишүү. Нейрондук маалыматты иштетүү системалары боюнча 37-конференция (NeurIPS 2023).
Frachas, PR et al. Татаал мейкиндик-убакыт динамикасын болжолдоо үчүн кайталануучу нейрон тармактарында артка таралуу алгоритми жана резервуарды эсептөө. нейрон тармагы. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. and Karniadakis, GE Physics, информатика, нейрон тармактары: сызыктуу эмес жарым-жартылай дифференциалдык теңдемелерди камтыган алдыга жана тескери маселелерди чечүү үчүн терең үйрөнүү негизи. J. Компьютер. физика. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. жана Schönlieb, K.-B. Физикага негизделген нейрон тармактары чектүү элементтердин методдорунан ашып кете алабы? IMA J. Тиркемелер. математика. 89, 143–174 (2024).
де ла Мата, ФФ, Гижон, А., Молина-Солана, М. жана Гомес-Ромеро, Дж. Физикага негизделген нейрондук тармактар маалыматтарга негизделген моделдөө: артыкчылыктары, чектөөлөрү жана мүмкүнчүлүктөрү. физика. A 610, 128415 (2023).
Жуан, П.-Й. & Барба, LA Суюктуктарды моделдөөдө физикага негизделген нейрон тармактары боюнча эмпирикалык отчет: тузактар жана көңүл калуулар. Preprint жеткиликтүү https://arxiv.org/abs/2205.14249 (2022).
Жуан, П.-Й. жана Барба, LA Vortex түзүлүшү боюнча физикалык жактан негизделген нейрон тармактарынын болжолдуу чектөөлөрү. Preprint жеткиликтүү https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. жана Perdikaris, P. Качан жана эмне үчүн пинндер машыктыра албай калышат: Нейрондук тангенс ядросунун перспективасы. J. Компьютер. физика. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., and Mahoney, MW Физикалык маалымат нейрон тармактарында мүмкүн болгон бузулуу режимдеринин мүнөздөмөлөрү. Нейрондук маалыматты иштетүү системалары боюнча 35-конференция Vol. 34, 26548–26560 (NeurIPS 2021).
Басир, С. жана Сенокак, I. Физикага негизделген нейрон тармактарындагы бузулуу режимдерин критикалык изилдөө. AiAA SCITECH 2022 форумунда 2353 (ARK, 2022).
Карнаков П., Литвинов С. жана Коумутсакос П. Дискреттик жоготууларды оптималдаштыруу аркылуу физикалык тескери маселелерди чечүү: нейрондук тармактарсыз тез жана так окутуу. процесс. Улуттук илимдер академиясы. илим. Nexus 3, pgae005 (2024).
Гундерсен О.Э. Кайталануунун негизги принциптери. Phil.cross. Р. Шукер. A 379, 20200210 (2021).
Aromataris E жана Pearson A. Системалык сын-пикирлер: сереп. Ооба. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, and Rohde, K. Riemann проблемасы үчүн чектөө-билимдүү нейрон тармактары. J. Компьютер. физика. 409, 109345 (2020).
Безгин Д.А., Шмидт СДж жана Адамс Н.А. Классикалык эмес кыскартылган чыңалуу соккулары үчүн маалыматка негизделген физикалык маалыматка ээ чектүү көлөмдүн схемасы. J. Компьютер. физика. 437, 110324 (2021).
Посттун убактысы: 29-сентябрдан 2024-жылга чейин