Nature.com ကိုလာရောက်လည်ပတ်တဲ့အတွက် ကျေးဇူးတင်ပါတယ်။ သင်အသုံးပြုနေသောဘရောက်ဆာဗားရှင်းတွင် CSS ပံ့ပိုးမှုအကန့်အသတ်ရှိသည်။ အကောင်းဆုံးရလဒ်များအတွက်၊ သင့်ဘရောက်ဆာ၏ ဗားရှင်းအသစ်ကို အသုံးပြုရန် အကြံပြုလိုပါသည် (သို့မဟုတ် Internet Explorer တွင် လိုက်ဖက်ညီမှုမုဒ်ကို ပိတ်ပါ)။ ဤအတောအတွင်း၊ ဆက်လက်ပံ့ပိုးကူညီမှုသေချာစေရန်၊ ကျွန်ုပ်တို့သည် စတိုင်ပုံစံ သို့မဟုတ် JavaScript မပါဘဲ ဆိုက်ကို ပြသနေပါသည်။
တွက်ချက်မှုဆိုင်ရာ ရူပဗေဒတွင် စက်သင်ယူခြင်း၏ အလားအလာအရှိဆုံး အသုံးချပရိုဂရမ်များထဲမှ တစ်ခုသည် partial differential equations (PDEs) ၏ အရှိန်မြှင့်ဖြေရှင်းချက်ဖြစ်သည်။ machine learning-based partial differential equation solver ၏ အဓိကပန်းတိုင်မှာ အခြေခံအဆင့် နှိုင်းယှဉ်မှုအဖြစ် ဆောင်ရွက်ရန်အတွက် စံဂဏန်းနည်းလမ်းများထက် ပိုမိုမြန်ဆန်သော တိကျလုံလောက်သော အဖြေများကို ထုတ်လုပ်ရန်ဖြစ်သည်။ တစ်စိတ်တစ်ပိုင်းကွဲပြားသောညီမျှခြင်းများကိုဖြေရှင်းခြင်းအတွက် machine learning စာပေကိုစနစ်တကျပြန်လည်သုံးသပ်ခြင်းကို ဦးစွာလုပ်ဆောင်ပါသည်။ အရည်တစ်စိတ်တစ်ပိုင်းကွဲပြားမှုညီမျှခြင်းများကိုဖြေရှင်းရန်နှင့် စံဂဏန်းနည်းလမ်းများထက် သာလွန်ကောင်းမွန်သည်ဟုဆိုကာ ML ၏အသုံးပြုမှုကို အစီရင်ခံသည့်စာတမ်းအားလုံးတွင် 79% (60/76) ကို အခြေခံမျဉ်းကြောင်းများနှင့် နှိုင်းယှဉ်၍ အားနည်းနေကြောင်း တွေ့ရှိရပါသည်။ ဒုတိယ၊ အထူးသဖြင့် ရလဒ်အစီရင်ခံခြင်းနှင့် ထုတ်ဝေမှုဘက်လိုက်မှုတွင် ကျယ်ပြန့်သော အစီရင်ခံခြင်းဆိုင်ရာ ဘက်လိုက်မှုဆိုင်ရာ အထောက်အထားများကို ကျွန်ုပ်တို့ တွေ့ရှိခဲ့သည်။ တစ်စိတ်တစ်ပိုင်းကွဲပြားသောညီမျှခြင်းများကိုဖြေရှင်းခြင်းဆိုင်ရာ စက်သင်ယူမှုသုတေသနသည် အကောင်းမြင်လွန်းသည်ဟု ကျွန်ုပ်တို့ကောက်ချက်ချသည်- အားနည်းသောထည့်သွင်းမှုဒေတာသည် အလွန်အမင်းအပြုသဘောဆောင်သောရလဒ်များကိုဖြစ်ပေါ်စေနိုင်ပြီး ဘက်လိုက်မှုအစီရင်ခံခြင်းသည် အနုတ်လက္ခဏာရလဒ်များကိုအစီရင်ခံမှုနည်းပါးသွားစေနိုင်သည်။ အများစုတွင်၊ ဤပြဿနာများသည် ယခင်က မျိုးပွားနိုင်မှုဆိုင်ရာ အကျပ်အတည်းများနှင့် ဆင်တူသည့်အချက်များကြောင့် ဖြစ်ပုံရသည်- စုံစမ်းစစ်ဆေးသူ၏ ဆုံးဖြတ်ချက်နှင့် အပြုသဘောဆောင်သော ရလဒ်ဘက်လိုက်မှုတို့ကြောင့် ဖြစ်သည်။ ဘက်လိုက်မှုရှိသော အစီရင်ခံမှုကို လျှော့ချရန်နှင့် ဆန့်ကျင်ဘက် မက်လုံးများကို လျှော့ချရန်အတွက် အောက်ခြေမှ ယဉ်ကျေးမှုဆိုင်ရာ ပြောင်းလဲမှုအား ကျွန်ုပ်တို့ တောင်းဆိုပါသည်။
စနစ်တကျပြန်လည်သုံးသပ်ခြင်းမှထုတ်လုပ်ထားသောစာရေးဆရာများနှင့်ဆောင်းပါးများစာရင်းအပြင်ကျပန်းနမူနာရှိဆောင်းပါးတစ်ခုစီ၏အမျိုးအစားခွဲခြားခြင်းကို https://doi.org/10.17605/OSF.IO/GQ5B3 (ကိုးကား၍ 124) တွင် လူသိရှင်ကြားရရှိနိုင်ပါသည်။
ဇယား 2 ရှိ ရလဒ်များကို ပြန်လည်ထုတ်ပေးရန် လိုအပ်သောကုဒ်ကို GitHub တွင် ရှာတွေ့နိုင်သည်- https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) နှင့် Code Ocean တွင်- https://codeocean.com/capsule/9605539/Tree/ v1 (link 126) နှင့် https://codeocean.com/capsule/0799002/tree/v1 (link 127)။
Randall, D., and Welser, K., The Ireproducibility Crisis in Modern Science: အကြောင်းတရားများ၊ အကျိုးဆက်များနှင့် ပြုပြင်ပြောင်းလဲရေးလမ်းကြောင်းများ (National Association of Scientists, 2018)။
Ritchie၊ S. သိပ္ပံစိတ်ကူးယဉ်- လိမ်လည်မှု၊ ဘက်လိုက်မှု၊ တိတ်ဆိတ်မှု၊ နှင့် နှိုက်နှိုက်ချွတ်ချွတ်ချွတ်ခြုံကျမှုတို့သည် အမှန်တရားရှာဖွေမှုကို ထိခိုက်စေသည် (ခေတ်ဟောင်း၊ 2020)။
သိပ္ပံဆိုင်ရာပူးပေါင်းဆောင်ရွက်မှုကိုဖွင့်ပါ။ စိတ်ပညာသိပ္ပံတွင် မျိုးပွားနိုင်စွမ်းကို အကဲဖြတ်ခြင်း။ သိပ္ပံ 349၊ AAAC4716 (2015)။
Prinz, F., Schlange, T. နှင့် Asadullah, K. ယုံနိုင်သည်ဖြစ်စေ- ဖြစ်နိုင်ချေရှိသော မူးယစ်ဆေးဝါးပစ်မှတ်များဆိုင်ရာ ထုတ်ပြန်ထားသော အချက်အလက်များအပေါ် ကျွန်ုပ်တို့မည်မျှ အားကိုးနိုင်မည်နည်း။ နတ်။ Rev. “မူးယစ်ဆေးဝါး ရှာဖွေတွေ့ရှိမှု” 10, 712 (2011)။
Begley၊ KG နှင့် Ellis၊ LM သည် ကင်ဆာရောဂါဆိုင်ရာ သုတေသနပြုခြင်းဆိုင်ရာ စံနှုန်းများကို မြှင့်တင်ခြင်း။ သဘာဝတရား 483၊ 531–533 (2012)။
A. Gelman နှင့် E. Loken ၊ လမ်းခရီးလမ်းများ ၏ဥယျာဉ်- "ငါးဖမ်းစူးစမ်းလေ့လာရေးများ" သို့မဟုတ် "p-hacks" နှင့် ကြိုတင်ပြင်ဆင်ထားသော သုတေသနယူဆချက်များ အတွဲ၊ အတွဲ၊ ၃၄၈၊ ၁–၁၇ (စာရင်းအင်းဌာန၊ ၂၀၁၃)။
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., and Shi, D. အခြေခံ ရူပဗေဒအသစ်များကို ရှာဖွေရာတွင် စက်သင်ယူခြင်း။ နတ်။ ရူပဗေဒတွင် ဒဿနိကပါရဂူ။ ၄၊ ၃၉၉–၄၁၂ (၂၀၂၂)။
Dara S၊ Damercherla S၊ Jadhav SS၊ Babu CM နှင့် Ahsan MJ။ မူးယစ်ဆေးဝါးရှာဖွေတွေ့ရှိမှုတွင် စက်သင်ယူခြင်း- သုံးသပ်ချက်။ Atif Intel အက်ဒ်။ ၅၅၊ ၁၉၄၇–၁၉၉၉ (၂၀၂၂)။
Mather၊ AS နှင့် Coote၊ ML သည် ဓာတုဗေဒတွင် နက်ရှိုင်းစွာ သင်ယူမှု။ J.Chemistry။ အကြောင်းကြားပါ။ မော်ဒယ်။ ၅၉၊ ၂၅၄၅–၂၅၅၉ (၂၀၁၉)။
Rajkomar A.၊ Dan J. နှင့် Kohan I. ဆေးပညာတွင် စက်သင်ယူခြင်း။ နယူးအင်္ဂလန်ဆေးပညာဂျာနယ်။ 380၊ 1347–1358 (2019)။
Grimmer J၊ Roberts ME။ လူမှုရေးသိပ္ပံတွင် Stewart BM စက်သင်ယူခြင်း- ဘာသာမဲ့ချဉ်းကပ်မှု။ ဗျာ အန်းဘောလုံး။ သိပ္ပံ။ ၂၄၊ ၃၉၅–၄၁၉ (၂၀၂၁)။
ခုန်ပါ၊ ဂျေ et al။ alphafold ကို အသုံးပြု၍ အလွန်တိကျသော ပရိုတင်းဖွဲ့စည်းပုံ ခန့်မှန်းချက်များကို ပြုလုပ်ပါ။ သဘာဝ 596၊ 583–589 (2021)။
Gundersen, OE, Coakley, K., Kirkpatrick, K., and Gil, Y. စက်သင်ယူမှုတွင် ပြန်လည်မထုတ်လုပ်နိုင်ခြင်း၏ အရင်းအမြစ်များ- သုံးသပ်ချက်။ ကြိုတင်ပရင့်ကို https://arxiv.org/abs/2204.07610 (2022) တွင် ရရှိနိုင်ပါသည်။
Scully, D., Snook, J., Wiltschko, A., and Rahimi, A. Winner's ကျိန်စာ? သက်သေအထောက်အထားများ၏ အရှိန်၊ တိုးတက်မှုနှင့် ခိုင်မာမှုအပေါ် (ICLR၊ 2018)။
အမ်းစထရောင်း၊ TG၊ Moffat၊ A.၊ Webber၊ W. နှင့် Zobel၊ J. ဖြည့်စွက်မွမ်းမံမှုများ- 1998 ခုနှစ်ကတည်းက ပဏာမ ရှာဖွေမှုရလဒ်များ။ သတင်းအချက်အလက်နှင့် အသိပညာစီမံခန့်ခွဲမှုဆိုင်ရာ 18th ACM ညီလာခံ 601–610 (ACM 2009)။
Kapoor၊ S. နှင့် Narayanan၊ A. စက်သင်ယူမှုအခြေခံသိပ္ပံတွင် ယိုစိမ့်မှုနှင့် မျိုးပွားနိုင်မှု အကျပ်အတည်းများ။ ပုံစံများ၊ 4၊ 100804 (2023)။
Kapoor S. et al. ပြုပြင်ပြောင်းလဲမှု- စက်သင်ယူမှုအပေါ် အခြေခံ၍ သိပ္ပံနည်းကျ အစီရင်ခံမှုစံနှုန်းများ။ ကြိုတင်ပရင့်ကို https://arxiv.org/abs/2308.07832 (2023) တွင် ရရှိနိုင်ပါသည်။
DeMasi, O., Cording, C., and Recht, B. အဓိပ္ပါယ်မဲ့ နှိုင်းယှဉ်မှုများသည် ဆေးဘက်ဆိုင်ရာ စက်သင်ယူမှုတွင် မှားယွင်းသော အကောင်းမြင်မှုကို ဦးတည်စေနိုင်သည်။ PloS ONE 12၊ e0184604 (2017)။
Roberts, M., et al. ရင်ဘတ်ဓာတ်မှန်ရိုက်ခြင်းနှင့် တွက်ချက်ထားသော ဓာတ်မှန်ရိုက်ခြင်းမှ COVID-19 ကို ရှာဖွေပြီး ကြိုတင်ခန့်မှန်းရန် စက်သင်ယူမှုကို အသုံးပြုခြင်းအတွက် ဘုံအမှားများနှင့် အကောင်းဆုံးအလေ့အကျင့်များ။ နတ်။ မက်တယ်။ Intel ၃၊ ၁၉၉-၂၁၇ (၂၀၂၁)။
Winantz L. et al. COVID-19 ရောဂါရှာဖွေခြင်းနှင့် ကြိုတင်ခန့်မှန်းနိုင်သောပုံစံများ- စနစ်တကျပြန်လည်သုံးသပ်ခြင်းနှင့် ဝေဖန်အကဲဖြတ်ခြင်း။ BMJ 369၊ m1328 (2020)။
Whalen S., Schreiber J., Noble WS နှင့် Pollard KS တို့သည် မျိုးရိုးဗီဇတွင် စက်သင်ယူမှုအသုံးပြုခြင်း၏ ချို့ယွင်းချက်များကို ကျော်လွှားခြင်း နတ်။ သင်းအုပ်ဆရာ Ginette ၂၃၊ ၁၆၉–၁၈၁ (၂၀၂၂)။
Atris N. et al. ဓာတုဗေဒတွင် စက်သင်ယူခြင်းအတွက် အကောင်းဆုံးအလေ့အကျင့်များ။ နတ်။ ဓာတုဗေဒ။ ၁၃၊ ၅၀၅–၅၀၈ (၂၀၂၁)။
Brunton SL နှင့် Kutz JN သည် တစ်စိတ်တစ်ပိုင်းကွဲပြားသောညီမျှခြင်းများကို စက်သင်ယူခြင်းအတွက် အလားအလာရှိသောလမ်းညွှန်ချက်များ။ နတ်။ တွက်ချက်။ သိပ္ပံ။ ၄၊ ၄၈၃–၄၉၄ (၂၀၂၄)။
Vinuesa၊ R. နှင့် Brunton၊ SL စက်သင်ယူခြင်းဖြင့် ကွန်ပျူတာအရည်ဒိုင်းနမစ်များကို တိုးတက်စေသည်။ နတ်။ တွက်ချက်။ သိပ္ပံ။ ၂၊ ၃၅၈–၃၆၆ (၂၀၂၂)။
Comeau, S. et al. ရုပ်ပိုင်းဆိုင်ရာအသိပေးသော အာရုံကြောကွန်ရက်များဖြင့် သိပ္ပံနည်းကျ စက်သင်ယူခြင်း- ကျွန်ုပ်တို့ ယခုရောက်ရှိနေသည့်နေရာနှင့် နောက်ဆက်တွဲအခြေအနေ။ ဂျေသိပ္ပံ။ တွက်ချက်။ 92, 88 (2022)။
Duraisamy, K., Yaccarino, G., and Xiao, H. Turbulence modeling in data ခေတ်။ အမ်း၏ ပြန်လည်ပြင်ဆင်ထားသော စာစောင်။ ၅၁၊ ၃၅၇–၃၇၇ (၂၀၁၉)။
Durran၊ DR ဘူမိရူပဟိုက်ဒိုင်းနမစ်တွင် လှိုင်းညီမျှခြင်းများကို ဖြေရှင်းရန်အတွက် ဂဏန်းနည်းလမ်းများ ၃၂ (Springer၊ 2013)။
Mishra၊ S. ကွဲပြားသောညီမျှခြင်းများ၏ ဒေတာမောင်းနှင်သော တွက်ချက်မှုကို အရှိန်မြှင့်ရန်အတွက် စက်သင်ယူမှုဘောင်။ သင်္ချာ။ အင်ဂျင်နီယာ။ https://doi.org/10.3934/Mine.2018.1.118 (2018)။
Kochikov D. et al ။ စက်သင်ယူမှု – တွက်ချက်မှုဆိုင်ရာ အရည်ဒိုင်းနမစ်များ အရှိန်မြှင့်ခြင်း။ လုပ်ငန်းစဉ်။ အမျိုးသားသိပ္ပံအကယ်ဒမီ။ သိပ္ပံ။ US 118၊ e2101784118 (2021)။
Kadapa, K. ကွန်ပြူတာသိပ္ပံနှင့် အင်ဂျင်နီယာဆိုင်ရာ စက်သင်ယူခြင်း - အတိုချုံးမိတ်ဆက်ခြင်းနှင့် အဓိကပြဿနာအချို့။ ကြိုတင်ပရင့်ကို https://arxiv.org/abs/2112.12054 (2021) တွင် ရရှိနိုင်ပါသည်။
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., and Zanna, L. စံပြမော်ဒယ်များတွင် စက်သင်ယူမှု ocean subgrid parameterization ၏ နှိုင်းယှဉ်သုံးသပ်ချက်။ J.Adv. မော်ဒယ်။ မြေကြီးစနစ်။ 15. e2022MS003258 (2023)။
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., and Brandsetteter, J. PDE သန့်စင်ခြင်း- အာရုံကြော PDE ဖြေရှင်းသူဖြင့် တိကျသော ရှည်လျားသော extrusion များကို ရရှိခြင်း။ ၃၇ ကြိမ်မြောက် အာရုံကြော သတင်းအချက်အလက် စီမံဆောင်ရွက်ရေးစနစ်များဆိုင်ရာ ညီလာခံ (NeurIPS 2023)။
Frachas, PR et al. ရှုပ်ထွေးသော spatiotemporal dynamics ကို ခန့်မှန်းရန်အတွက် ထပ်တလဲလဲ အာရုံကြောကွန်ရက်များတွင် Backpropagation algorithm နှင့် reservoir တွက်ချက်မှု။ မသေခင်။ ၁၂၆၊ ၁၉၁–၂၁၇ (၂၀၂၀)။
Raissi, M., Perdikaris, P. and Karniadakis, GE Physics, computer science, neural networks- linear partial differential equations များ ပါဝင်သော ရှေ့နှင့် ပြောင်းပြန် ပြဿနာများကို ဖြေရှင်းရန်အတွက် နက်နဲသော သင်ယူမှု မူဘောင်။ J. ကွန်ပျူတာ။ ရူပဗေဒ။ ၃၇၈၊ ၆၈၆–၇၀၇ (၂၀၁၉)။
Grossmann၊ TG၊ Komorowska၊ UJ၊ Lutz၊ J. နှင့် Schönlieb၊ K.-B။ ရူပဗေဒအခြေခံ အာရုံကြောကွန်ရက်များသည် အကန့်အသတ်ရှိသော ဒြပ်စင်နည်းလမ်းများကို သာလွန်နိုင်ပါသလား။ IMA J. Applications သင်္ချာ။ 89၊ 143–174 (2024)။
de la Mata, FF, Gijon, A., Molina-Solana, M., နှင့် Gómez-Romero, J. ဒေတာမောင်းနှင်သော မော်ဒယ်လ်များအတွက် ရူပဗေဒအခြေခံ အာရုံကြောကွန်ရက်များ- အားသာချက်များ၊ ကန့်သတ်ချက်များနှင့် အခွင့်အလမ်းများ။ ရူပဗေဒ။ A 610, 128415 (2023)။
Zhuang၊ P.-Y & Barba,LA ကြိုတင်ပရင့်ကို https://arxiv.org/abs/2205.14249 (2022) တွင် ရရှိနိုင်ပါသည်။
Zhuang၊ P.-Y နှင့် Barba၊ LA သည် ရေဝဲဖွဲ့စည်းမှုတွင် ရုပ်ပိုင်းဆိုင်ရာအသိပေးသော အာရုံကြောကွန်ရက်များ၏ ကန့်သတ်ချက်များဖြစ်သည်။ ကြိုတင်ပရင့်ကို https://arxiv.org/abs/2306.00230 (2023) တွင် ရရှိနိုင်ပါသည်။
Wang, S., Yu, H., and Perdikaris, P. Pinns လေ့ကျင့်ရန် ပျက်ကွက်သည့်အချိန်နှင့် အဘယ်ကြောင့်နည်း- အာရုံကြော tangent nucleus အမြင်။ J. ကွန်ပျူတာ။ ရူပဗေဒ။ 449, 110768 (2022)။
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., and Mahoney, MW ရုပ်ပိုင်းဆိုင်ရာ အချက်အလက် အာရုံကြောကွန်ရက်များတွင် ဖြစ်နိုင်သော ချို့ယွင်းမှုမုဒ်များ၏ လက္ခဏာများ။ 35th Conference on Neural Information Processing Systems Vol. 34၊ 26548–26560 (NeurIPS 2021)။
Basir, S. နှင့် Senokak, I. ရူပဗေဒအခြေခံ အာရုံကြောကွန်ရက်များတွင် ကျရှုံးမှုပုံစံများကို အရေးပါသောလေ့လာမှုတစ်ခု။ AiAA SCITECH 2022 ဖိုရမ် 2353 (ARK၊ 2022) တွင်။
Karnakov P.၊ Litvinov S. နှင့် Koumoutsakos P. ခွဲခြမ်းစိတ်ဖြာသော ဆုံးရှုံးမှုများကို အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်ခြင်းဖြင့် ရုပ်ပိုင်းဆိုင်ရာ ပြောင်းပြန်ပြဿနာများကို ဖြေရှင်းခြင်း- အာရုံကြောကွန်ရက်များမပါဘဲ မြန်ဆန်တိကျသော သင်ကြားမှု။ လုပ်ငန်းစဉ်။ အမျိုးသားသိပ္ပံအကယ်ဒမီ။ သိပ္ပံ။ Nexus 3၊ pgae005 (2024)။
Gundersen OE မျိုးပွားနိုင်မှုဆိုင်ရာ အခြေခံမူများ။ Phil.cross R. Shuker A 379၊ 20200210 (2021)။
Aromataris E နှင့် Pearson A. စနစ်တကျ သုံးသပ်ချက်များ- ခြုံငုံသုံးသပ်ချက်။ ဟုတ်ကဲ့။ J. သူနာပြု 114၊ 53–58 (2014)။
Magiera, J., Ray, D., Hesthaven, JS, နှင့် Rohde, K. Riemann ပြဿနာအတွက် Constraint-aware neural networks များ။ J. ကွန်ပျူတာ။ ရူပဗေဒ။ 409၊ 109345 (2020)။
Bezgin DA၊ Schmidt SJ နှင့် Adams NA တို့သည် ဂန္ထဝင်မဟုတ်သော ဗို့အားလျော့ချခြင်းများအတွက် ဒေတာဖြင့်မောင်းနှင်ထားသော ရုပ်ပိုင်းဆိုင်ရာအသိပေးသော ကန့်သတ်ပမာဏပတ်လမ်းများ။ J. ကွန်ပျူတာ။ ရူပဗေဒ။ 437၊ 110324 (2021)။
တင်ချိန်- စက်တင်ဘာ ၂၉-၂၀၂၄