Nature.com сайтаар зочилсонд баярлалаа. Таны ашиглаж буй хөтчийн хувилбар нь CSS-ийн дэмжлэгтэй байна. Хамгийн сайн үр дүнд хүрэхийн тулд хөтчийнхөө шинэ хувилбарыг ашиглахыг зөвлөж байна (эсвэл Internet Explorer дээр нийцтэй байдлын горимыг идэвхгүй болгох). Энэ хооронд байнгын дэмжлэг үзүүлэхийн тулд бид сайтыг загварчлал эсвэл JavaScriptгүйгээр харуулж байна.
Тооцооллын физикт машин сургалтын хамгийн ирээдүйтэй хэрэглээний нэг бол хэсэгчилсэн дифференциал тэгшитгэлийн (PDEs) түргэвчилсэн шийдэл юм. Машины сургалтанд суурилсан хэсэгчилсэн дифференциал тэгшитгэл шийдэгчийн гол зорилго нь суурь харьцуулалт болохын тулд стандарт тоон аргуудаас илүү хурдан нарийвчлалтай шийдлийг гаргах явдал юм. Бид эхлээд хэсэгчилсэн дифференциал тэгшитгэлийг шийдвэрлэх машин сургалтын ном зохиолыг системтэй судалж үздэг. Шингэний хэсэгчилсэн дифференциал тэгшитгэлийг шийдвэрлэхэд ML-ийг ашигласан, стандарт тоон аргуудаас давуу талтай гэж мэдэгдсэн бүх баримт бичгүүдээс бид сул суурь үзүүлэлттэй харьцуулахад 79% (60/76)-г тодорхойлсон. Хоёрдугаарт, бид мэдээлэх, ялангуяа үр дүнг тайлагнах, хэвлэн нийтлэх тал дээр өрөөсгөл ойлголттой байгааг нотлох баримтыг олсон. Хэсэгчилсэн дифференциал тэгшитгэлийг шийдвэрлэх машин сургалтын судалгаа нь хэт өөдрөг байна гэж бид дүгнэж байна: сул оролтын өгөгдөл нь хэт эерэг үр дүнд хүргэж болзошгүй бөгөөд тайлагнасан хэвийх нь сөрөг үр дүнг дутуу тайлагнахад хүргэдэг. Ихэнх тохиолдолд эдгээр асуудлууд нь өмнөх давтагдах чадварын хямралтай төстэй хүчин зүйлээс үүдэлтэй юм шиг санагддаг: мөрдөн байцаагчийн үзэмж, эерэг үр дүнгийн хэвийх байдал. Бид өрөөсгөл тайлагналыг багасгахын тулд дороос дээш чиглэсэн соёлын өөрчлөлт, үүнийг хийх гаж нөлөөг багасгахын тулд дээрээс доош бүтцийн шинэчлэл хийхийг уриалж байна.
Системчилсэн тоймоор үүсгэгдсэн зохиогчид болон нийтлэлүүдийн жагсаалт, мөн санамсаргүй түүврийн нийтлэл бүрийн ангиллыг https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124) хаягаар олон нийтэд нээлттэй үзэх боломжтой.
Хүснэгт 2-ын үр дүнг хуулбарлахад шаардлагатай кодыг GitHub дээрээс олж болно: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) болон Code Ocean дээр: https://codeocean.com/capsule/9605539/Tree/ v6 (холбоос) https://codeocean.com/capsule/0799002/tree/v1 (холбоос 127).
Randall, D., and Welser, K., The Irreproducibility Crisis in Modern Science: Reform хийх шалтгаан, үр дагавар, арга зам (Үндэсний эрдэмтдийн холбоо, 2018).
Ричи, С. Шинжлэх ухааны уран зөгнөлт: Луйвар, өрөөсгөл байдал, чимээгүй байдал, хэт их шуугиан нь үнэний эрэл хайгуулыг хэрхэн сулруулдаг вэ (Vintage, 2020).
Шинжлэх ухааны нээлттэй хамтын ажиллагаа. Сэтгэл судлалын шинжлэх ухаанд давтагдах чадварыг үнэлэх. Шинжлэх ухаан 349, AAAC4716 (2015).
Принц, Ф., Шланж, Т., Асадулла, К. Итгэнэ үү, үгүй юу: Хар тамхины боломжит зорилтуудын талаарх нийтлэгдсэн мэдээлэлд бид хэр найдаж болох вэ? Нат. Илч "Хар тамхины нээлт." 10, 712 (2011).
Бегли, К.Г., Эллис, LM. Эмнэлзүйн өмнөх хорт хавдрын судалгааны стандартыг нэмэгдүүлэх. Байгаль 483, 531–533 (2012).
А.Гелман ба Э.Локен, “Салаа замуудын цэцэрлэг”: “Загас агнуурын экспедиц” эсвэл “п-хакс” ба Урьдчилан боловсруулсан судалгааны таамаглалгүй ч олон харьцуулалт нь асуудалтай байдаг, боть. 348, 1–17 (Статистикийн газар, 2013).
Карагиорги, Г., Касецка, Г., Кравиц, С., Начман, Б., Ши, Д. Шинэ суурь физикийн эрэл хайгуулд машин суралцах. Нат. Физикийн ухааны доктор. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM болон Ahsan MJ. Мансууруулах бодис илрүүлэхэд машин суралцах: тойм. Атиф. Intel. Эд. 55, 1947–1999 (2022).
Mather, AS болон Coote, ML, Химийн чиглэлээр гүнзгий суралцах. Ж.Хими. мэдэгдэх. Загвар. 59, 2545–2559 (2019).
Ражкомар А., Дин Ж., Кохан И. Анагаах ухаанд машин суралцах. Нью Английн Анагаах Ухааны сэтгүүл. 380, 1347–1358 (2019).
Гриммер Ж, Робертс ME. ба Стюарт Б.М. Нийгмийн шинжлэх ухаан дахь машин сургалт: агностик хандлага. Илч Анн Болл. шинжлэх ухаан. 24, 395–419 (2021).
Jump, J. et al. Alphafold ашиглан уургийн бүтцийн өндөр нарийвчлалтай таамаглал гарга. Байгаль 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., and Gil, Y. Машины сургалтын явцад давтагдах боломжгүй байдлын эх сурвалж: тойм. Урьдчилсан хэвлэлтийг https://arxiv.org/abs/2204.07610 (2022) дээрээс авах боломжтой.
Скулли, Д., Снук, Ж., Вилтчко, А., Рахими, А. Виннерийн хараал уу? Эмпирик нотлох баримтын хурд, ахиц дэвшил, хатуу байдлын тухай (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., and Zobel, J. Non-additive improvements: 1998 оноос хойшхи урьдчилсан хайлтын үр дүн. Мэдээлэл, мэдлэгийн менежментийн МУЗ-ийн 18 дахь бага хурал 601–610 (ACM 2009).
Kapoor, S. and Narayanan, A. Машины сургалтанд суурилсан шинжлэх ухаан дахь гоожих ба дахин үржихүйн хямрал. Загвар, 4, 100804 (2023).
Kapoor S. et al. Шинэчлэл: машин сургалтанд суурилсан шинжлэх ухааны тайлангийн стандартууд. Урьдчилсан хэвлэлтийг https://arxiv.org/abs/2308.07832 (2023) дээрээс авах боломжтой.
ДеМаси, О., Кординг, С., Рехт, Б. Утгагүй харьцуулалт нь эмнэлгийн машин сурахад хуурамч өөдрөг үзлийг бий болгодог. PloS ONE 12, e0184604 (2017).
Робертс, М., нар. Цээжний рентген болон компьютерийн томографаас COVID-19-ийг илрүүлэх, урьдчилан таамаглахад машин сургалтыг ашиглах нийтлэг бэрхшээл, шилдэг туршлагууд. Нат. Макс. Intel. 3, 199–217 (2021).
Winantz L. et al. COVID-19-ийн оношлогоо, таамаглалыг урьдчилан таамаглах загварууд: системчилсэн хяналт, шүүмжлэлийн үнэлгээ. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS and Pollard KS. Геномийн шинжлэх ухаанд машин сургалтыг ашиглахад тулгарч буй бэрхшээлийг даван туулах нь. Нат. Пастор Жинетт. 23, 169–181 (2022).
Atris N. et al. Химийн машин сургалтын шилдэг туршлагууд. Нат. Химийн. 13, 505–508 (2021).
Brunton SL болон Kutz JN Хэсэгчилсэн дифференциал тэгшитгэлийн машинд суралцах ирээдүйтэй чиглэлүүд. Нат. тооцоолох. шинжлэх ухаан. 4, 483–494 (2024).
Vinuesa, R. and Brunton, SL. Машины сургалтын тусламжтайгаар тооцооллын шингэний динамикийг сайжруулах. Нат. тооцоолох. шинжлэх ухаан. 2, 358–366 (2022).
Comeau, S. et al. Физик мэдээлэлтэй мэдрэлийн сүлжээ бүхий шинжлэх ухааны машин сургалт: Бид одоо хаана байна, дараа нь юу байна. J. Шинжлэх ухаан. тооцоолох. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., and Xiao, H. Turbulence modeling in data эрин. Анн шинэчилсэн хэвлэл. 51, 357–377 (2019).
Дурран, ДР Геофизикийн гидродинамик дахь долгионы тэгшитгэлийг шийдвэрлэх тоон аргууд, боть. 32 (Спрингер, 2013).
Mishra, S. Дифференциал тэгшитгэлийн өгөгдөлд суурилсан тооцооллыг хурдасгах машин сургалтын тогтолцоо. математик. инженер. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Машины сургалт - тооцооллын шингэний динамикийг хурдасгах. үйл явц. Үндэсний Шинжлэх Ухааны Академи. шинжлэх ухаан. АНУ 118, e2101784118 (2021).
Kadapa, K. Компьютерийн шинжлэх ухаан, инженерчлэлд зориулсан машин сургалт – товч танилцуулга ба зарим гол асуудлууд. Урьдчилсан хэвлэлийг https://arxiv.org/abs/2112.12054 (2021) дээрээс авах боломжтой.
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., and Zanna, L. Харьцуулсан дүн шинжилгээ хийх машин сургалтын далайн дэд сүлжээний параметржилтийн идеалжуулсан загварууд. Ж.Адв. Загвар. дэлхийн систем. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., and Brandstetter, J. PDE боловсронгуй болгох: мэдрэлийн PDE уусгагчаар үнэн зөв урт шахалтанд хүрэх. Мэдрэлийн мэдээлэл боловсруулах системийн 37-р бага хурал (NeurIPS 2023).
Frachas, PR et al. Орон зайн цаг хугацааны нарийн төвөгтэй динамикийг урьдчилан таамаглахын тулд давтагдах мэдрэлийн сүлжээн дэх буцах тархалтын алгоритм ба нөөцийн тооцоо. мэдрэлийн сүлжээ. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. and Karniadakis, GE Физик, компьютерийн шинжлэх ухаан, мэдрэлийн сүлжээ: шугаман бус хэсэгчилсэн дифференциал тэгшитгэлийг хамарсан урагш ба урвуу асуудлыг шийдвэрлэх гүн гүнзгий сургалтын тогтолцоо. J. Компьютер. физик. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., Schönlieb, K.-B. Физик дээр суурилсан мэдрэлийн сүлжээ нь хязгаарлагдмал элементийн аргыг давж чадах уу? IMA J. Хэрэглээ. математик. 89, 143–174 (2024).
де ла Мата, ФФ, Гижон, А., Молина-Солана, М., Гомез-Ромеро, Ж. Мэдээлэлд суурилсан загварчлалын физикт суурилсан мэдрэлийн сүлжээ: давуу тал, хязгаарлалт, боломжууд. физик. A 610, 128415 (2023).
Жуан, П.-Я. & Barba, LA Шингэний загварчлал дахь физикт суурилсан мэдрэлийн сүлжээнүүдийн талаархи эмпирик тайлан: бэрхшээл ба урам хугарал. Урьдчилсан хэвлэлтийг https://arxiv.org/abs/2205.14249 (2022) дээрээс авах боломжтой.
Жуан, П.-Я. болон Барба, LA. Хуйвалдаан үүсэхэд физик мэдээлэлтэй мэдрэлийн сүлжээнүүдийн урьдчилан таамаглах хязгаарлалтууд. Урьдчилсан хэвлэлтийг https://arxiv.org/abs/2306.00230 (2023) дээрээс авах боломжтой.
Ван, С., Ю, Х., Пердикарис, П. Хэзээ, яагаад пиннууд сургаж чадахгүй байна: Мэдрэлийн шүргэгч цөмийн хэтийн төлөв. J. Компьютер. физик. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., and Mahoney, MW Физик мэдээллийн мэдрэлийн сүлжээн дэх бүтэлгүйтлийн горимуудын шинж чанарууд. Мэдрэлийн мэдээлэл боловсруулах системийн 35-р бага хурал Vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. and Senokak, I. Физик дээр суурилсан мэдрэлийн сүлжээн дэх бүтэлгүйтлийн горимуудын шүүмжлэлтэй судалгаа. AiAA SCITECH 2022 форум 2353 (ARK, 2022).
Карнаков П., Литвинов С., Коумутсакос П. Дискрет алдагдлыг оновчтой болгох замаар бие махбодийн урвуу асуудлыг шийдвэрлэх нь: мэдрэлийн сүлжээгүйгээр хурдан бөгөөд үнэн зөв суралцах. үйл явц. Үндэсний Шинжлэх Ухааны Академи. шинжлэх ухаан. Nexus 3, pgae005 (2024).
Gundersen OE Дахин үржихүйн үндсэн зарчим. Phil.cross. Р.Шукер. A 379, 20200210 (2021).
Aromataris E ба Pearson A. Системчилсэн тойм: тойм. Тиймээ. J. Сувилахуй 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, and Rohde, K. Riemann-ийн асуудлын хязгаарлалтыг мэддэг мэдрэлийн сүлжээ. J. Компьютер. физик. 409, 109345 (2020).
Bezgin DA, Schmidt SJ, Adams NA Сонгодог бус бууруулсан хүчдэлийн цохилтод зориулагдсан өгөгдөлд суурилсан физик мэдээлэл бүхий хязгаарлагдмал эзэлхүүний хэлхээ. J. Компьютер. физик. 437, 110324 (2021).
Шуудангийн цаг: 2024 оны 9-р сарын 29