Nature.com ପରିଦର୍ଶନ କରିବା ପାଇଁ ଆପଣଙ୍କୁ ଧନ୍ୟବାଦ। ଆପଣ ବ୍ୟବହାର କରୁଥିବା ବ୍ରାଉଜରର ସଂସ୍କରଣରେ ସୀମିତ CSS ସମର୍ଥନ ଅଛି। ସର୍ବୋତ୍ତମ ଫଳାଫଳ ପାଇଁ, ଆମେ ଆପଣଙ୍କୁ ଆପଣଙ୍କର ବ୍ରାଉଜରର ଏକ ନୂତନ ସଂସ୍କରଣ ବ୍ୟବହାର କରିବାକୁ ସୁପାରିଶ କରୁଛୁ (କିମ୍ବା ଇଣ୍ଟରନେଟ୍ ଏକ୍ସପ୍ଲୋରରରେ ସୁସଙ୍ଗତତା ମୋଡ୍ ଅକ୍ଷମ କରନ୍ତୁ)। ଏହି ସମୟ ମଧ୍ୟରେ, ଜାରି ସମର୍ଥନ ସୁନିଶ୍ଚିତ କରିବା ପାଇଁ, ଆମେ ଷ୍ଟାଇଲିଂ କିମ୍ବା JavaScript ବିନା ସାଇଟ୍ ଦେଖାଉଛୁ।
କମ୍ପ୍ୟୁଟେସନାଲ୍ ଫିଜିକ୍ସରେ ମେସିନ୍ ଲର୍ଣ୍ଣିଂର ସବୁଠାରୁ ପ୍ରତିଶ୍ରୁତିପୂର୍ଣ୍ଣ ପ୍ରୟୋଗଗୁଡ଼ିକ ମଧ୍ୟରୁ ଗୋଟିଏ ହେଉଛି ଆଂଶିକ ଡିଫରେନ୍ସିଆଲ୍ ସମୀକରଣ (PDEs) ର ତ୍ୱରିତ ସମାଧାନ। ଏକ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ-ଆଧାରିତ ଆଂଶିକ ଡିଫରେନ୍ସିଆଲ୍ ସମୀକରଣ ସମାଧାନକାରୀର ମୁଖ୍ୟ ଲକ୍ଷ୍ୟ ହେଉଛି ଏପରି ସମାଧାନ ଉତ୍ପାଦନ କରିବା ଯାହା ମାନକ ସାଂଖ୍ୟିକ ପଦ୍ଧତି ଅପେକ୍ଷା ଯଥେଷ୍ଟ ଦ୍ରୁତ ଭାବରେ ସଠିକ୍ ଏବଂ ଏକ ବେସଲାଇନ୍ ତୁଳନାତ୍ମକ ଭାବରେ କାର୍ଯ୍ୟ କରିବ। ଆମେ ପ୍ରଥମେ ଆଂଶିକ ଡିଫରେନ୍ସିଆଲ୍ ସମୀକରଣ ସମାଧାନ ଉପରେ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ସାହିତ୍ୟର ଏକ ପଦ୍ଧତିଗତ ସମୀକ୍ଷା କରୁ। ତରଳ ଆଂଶିକ ଡିଫରେନ୍ସିଆଲ୍ ସମୀକରଣ ସମାଧାନ ପାଇଁ ML ବ୍ୟବହାର ରିପୋର୍ଟ କରୁଥିବା ଏବଂ ମାନକ ସାଂଖ୍ୟିକ ପଦ୍ଧତି ଅପେକ୍ଷା ଶ୍ରେଷ୍ଠତା ଦାବି କରୁଥିବା ସମସ୍ତ ପତ୍ର ମଧ୍ୟରୁ, ଆମେ ଦୁର୍ବଳ ବେସଲାଇନ୍ ତୁଳନାରେ 79% (60/76) ଚିହ୍ନଟ କରିଛୁ। ଦ୍ୱିତୀୟତଃ, ଆମେ ବ୍ୟାପକ ରିପୋର୍ଟିଂ ପକ୍ଷପାତର ପ୍ରମାଣ ପାଇଲୁ, ବିଶେଷକରି ଫଳାଫଳ ରିପୋର୍ଟିଂ ଏବଂ ପ୍ରକାଶନ ପକ୍ଷପାତରେ। ଆମେ ଏହି ସିଦ୍ଧାନ୍ତରେ ପହଞ୍ଚିଛୁ ଯେ ଆଂଶିକ ଡିଫରେନ୍ସିଆଲ୍ ସମୀକରଣ ସମାଧାନ ଉପରେ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ଗବେଷଣା ଅତ୍ୟଧିକ ଆଶାବାଦୀ: ଦୁର୍ବଳ ଇନପୁଟ୍ ଡାଟା ଅତ୍ୟଧିକ ସକାରାତ୍ମକ ଫଳାଫଳ ଦେଇପାରେ, ଏବଂ ରିପୋର୍ଟିଂ ପକ୍ଷପାତ ନକାରାତ୍ମକ ଫଳାଫଳର ଅଣ୍ଡର ରିପୋର୍ଟିଂ କରିପାରେ। ବଡ଼ ଭାଗରେ, ଏହି ସମସ୍ୟାଗୁଡ଼ିକ ପୂର୍ବ ପ୍ରଜନନ ସଙ୍କଟ ପରି କାରଣଗୁଡ଼ିକ ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥିବା ମନେହୁଏ: ତଦନ୍ତକାରୀ ବିବେଚନା ଏବଂ ସକାରାତ୍ମକ ଫଳାଫଳ ପକ୍ଷପାତ। ପକ୍ଷପାତୀ ରିପୋର୍ଟିଂକୁ କମ କରିବା ପାଇଁ ତଳ-ଉପର ସାଂସ୍କୃତିକ ପରିବର୍ତ୍ତନ ଏବଂ ଏପରି କରିବା ପାଇଁ ବିକୃତ ପ୍ରୋତ୍ସାହନକୁ କମ କରିବା ପାଇଁ ଉପର-ତଳ ସଂରଚନାଗତ ସଂସ୍କାର ପାଇଁ ଆମେ ଡାକୁଛୁ।
ପଦ୍ଧତିଗତ ସମୀକ୍ଷା ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥିବା ଲେଖକ ଏବଂ ପ୍ରବନ୍ଧଗୁଡ଼ିକର ତାଲିକା, ଏବଂ ଅନିୟମିତ ନମୁନାରେ ପ୍ରତ୍ୟେକ ପ୍ରବନ୍ଧର ବର୍ଗୀକରଣ, ସାର୍ବଜନୀନ ଭାବରେ https://doi.org/10.17605/OSF.IO/GQ5B3 (ସନ୍ଦର୍ଭ 124) ରେ ଉପଲବ୍ଧ।
ସାରଣୀ 2 ରେ ଫଳାଫଳଗୁଡିକ ପୁନଃଉତ୍ପାଦନ କରିବା ପାଇଁ ଆବଶ୍ୟକ କୋଡ୍ GitHub ରେ ମିଳିପାରିବ: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) ଏବଂ କୋଡ୍ Ocean ରେ: https://codeocean.com/capsule/9605539/Tree/ v1 (ଲିଙ୍କ 126) ଏବଂ https://codeocean.com/capsule/0799002/tree/v1 (ଲିଙ୍କ 127)।
ରାଣ୍ଡାଲ୍, ଡି., ଏବଂ ୱେଲସର୍, କେ., ଆଧୁନିକ ବିଜ୍ଞାନରେ ଅପୁନଃଉତ୍ପାଦନଶୀଳତା ସଙ୍କଟ: ସଂସ୍କାରର କାରଣ, ପରିଣାମ ଏବଂ ପଥ (ନ୍ୟାସନାଲ୍ ଆସୋସିଏସନ୍ ଅଫ୍ ସାଇଣ୍ଟିଷ୍ଟସ୍, ୨୦୧୮)।
ରିଚି, ଏସ୍. ସାଇନ୍ସ ଫିକ୍ସନ୍: କିପରି ଠକେଇ, ପକ୍ଷପାତ, ନୀରବତା ଏବଂ ପ୍ରଚାର ସତ୍ୟର ସନ୍ଧାନକୁ ଦୁର୍ବଳ କରିଦିଏ (ଭିଣ୍ଟେଜ୍, ୨୦୨୦)।
ଖୋଲା ବୈଜ୍ଞାନିକ ସହଯୋଗ। ମନସ୍ତାତ୍ତ୍ୱିକ ବିଜ୍ଞାନରେ ପ୍ରଜନନକ୍ଷମତା ମୂଲ୍ୟାଙ୍କନ। ବିଜ୍ଞାନ 349, AAAC4716 (2015)।
ପ୍ରିଞ୍ଜ, ଏଫ୍., ସ୍ଲାଞ୍ଜ, ଟି., ଏବଂ ଅସଦୁଲ୍ଲାହ, କେ. ବିଶ୍ୱାସ କରନ୍ତୁ କି ନାହିଁ: ସମ୍ଭାବ୍ୟ ଔଷଧ ଲକ୍ଷ୍ୟ ଉପରେ ପ୍ରକାଶିତ ତଥ୍ୟ ଉପରେ ଆମେ କେତେ ନିର୍ଭର କରିପାରିବୁ? ନାଟ୍. ରେଭ. "ଦି ଡିସ୍କଭରୀ ଅଫ୍ ଡ୍ରଗ୍ସ।" ୧୦, ୭୧୨ (୨୦୧୧)।
ବେଗଲି, କେଜି ଏବଂ ଏଲିସ୍, ଏଲ୍ଏମ୍ ପ୍ରିକ୍ଲିନିକାଲ୍ କର୍କଟ ଗବେଷଣାରେ ମାନ ବୃଦ୍ଧି। ପ୍ରକୃତି 483, 531–533 (2012)।
ଏ. ଗେଲମ୍ୟାନ୍ ଏବଂ ଇ. ଲୋକେନ୍, ଫୋର୍କିଂ ପାଥ୍ସ ଉଦ୍ୟାନ: "ମାଛ ଧରିବା ଅଭିଯାନ" କିମ୍ବା "ପି-ହ୍ୟାକ୍ସ" ଏବଂ ପୂର୍ବନିର୍ଦ୍ଧାରିତ ଗବେଷଣା ପରିକଳ୍ପନା ବିନା ମଧ୍ୟ ଅନେକ ତୁଳନା କାହିଁକି ଏକ ସମସ୍ୟା, ଖଣ୍ଡ 348, 1-17 (ପରିସଂଖ୍ୟାନ ବିଭାଗ, 2013)।
କାରାଗିଓର୍ଗି, ଜି., କାସେକା, ଜି., କ୍ରାଭିଜ୍, ଏସ୍., ନାଚମାନ, ବି., ଏବଂ ଶି, ଡି. ନୂତନ ମୌଳିକ ପଦାର୍ଥ ବିଜ୍ଞାନର ସନ୍ଧାନରେ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ। ନାଟ୍। ପଦାର୍ଥ ବିଜ୍ଞାନରେ ଦର୍ଶନର ଡକ୍ଟର। ୪, ୩୯୯–୪୧୨ (୨୦୨୨)।
ଦାରା ଏସ୍, ଡାମରଚେର୍ଲା ଏସ୍, ଜାଧବ ଏସ୍ଏସ୍, ବାବୁ ସିଏମ୍ ଏବଂ ଆହସାନ ଏମ୍ଜେ। ଔଷଧ ଆବିଷ୍କାରରେ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ: ଏକ ସମୀକ୍ଷା। ଆତିଫ୍। ଇଣ୍ଟେଲ୍। ସମ୍ପାଦନା ୫୫, ୧୯୪୭–୧୯୯୯ (୨୦୨୨)।
ମାଥର୍, ଏଏସ୍ ଏବଂ କୁଟ୍, ଏମ୍ଏଲ୍ ରସାୟନ ବିଜ୍ଞାନରେ ଗଭୀର ଶିକ୍ଷା। ଜେ. ରସାୟନ ବିଜ୍ଞାନ। ସୂଚନା। ମଡେଲ୍। ୫୯, ୨୫୪୫–୨୫୫୯ (୨୦୧୯)।
ରାଜକୋମାର ଏ., ଡିନ୍ ଜେ. ଏବଂ କୋହାନ୍ ଆଇ. ମେଡିସିନରେ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ। ନ୍ୟୁ ଇଂଲଣ୍ଡ ଜର୍ଣ୍ଣାଲ୍ ଅଫ୍ ମେଡିସିନ୍। 380, 1347–1358 (2019)।
ଗ୍ରିମର ଜେ, ରବର୍ଟସ୍ ଏମଇ ଏବଂ ଷ୍ଟିୱାର୍ଟ ବିଏମ ସାମାଜିକ ବିଜ୍ଞାନରେ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ: ଏକ ଅଜ୍ଞେୟବାଦୀ ପଦ୍ଧତି। ରେଭ. ଆନ୍ ବଲ୍। ବିଜ୍ଞାନ। 24, 395–419 (2021)।
ଜମ୍ପ, ଜେ. ଏଟ୍ ଅନ୍ୟମାନେ ଆଲଫାଫୋଲ୍ଡ ବ୍ୟବହାର କରି ଅତ୍ୟନ୍ତ ସଠିକ ପ୍ରୋଟିନ୍ ଗଠନ ପୂର୍ବାନୁମାନ କରନ୍ତୁ। ପ୍ରକୃତି 596, 583–589 (2021)।
ଗୁଣ୍ଡରସେନ୍, OE, କୋକଲି, କେ., କିର୍କପାଟ୍ରିକ୍, କେ., ଏବଂ ଗିଲ୍, ୱାଇ. ମେସିନ୍ ଲର୍ଣ୍ଣିଂରେ ଅପ୍ରଜନନଶୀଳତାର ଉତ୍ସ: ଏକ ସମୀକ୍ଷା। https://arxiv.org/abs/2204.07610 (2022) ରେ ପ୍ରିପ୍ରିଣ୍ଟ ଉପଲବ୍ଧ।
ସ୍କଲି, ଡି., ସ୍ନୁକ୍, ଜେ., ୱିଲ୍ଟସ୍କୋ, ଏ., ଏବଂ ରହିମି, ଏ. ବିଜେତାଙ୍କ ଅଭିଶାପ? ଅଭିଜ୍ଞ ପ୍ରମାଣର ଗତି, ପ୍ରଗତି ଏବଂ କଠୋରତା ଉପରେ (ICLR, 2018)।
ଆର୍ମଷ୍ଟ୍ରଙ୍ଗ, ଟିଜି, ମୋଫାଟ୍, ଏ., ୱେବର, ଡବ୍ଲୁ., ଏବଂ ଜୋବେଲ୍, ଜେ. ଅଣ-ଯୋଗୀ ଉନ୍ନତି: 1998 ମସିହାରୁ ପ୍ରାରମ୍ଭିକ ସନ୍ଧାନ ଫଳାଫଳ। ସୂଚନା ଏବଂ ଜ୍ଞାନ ପରିଚାଳନା ଉପରେ 18ତମ ACM ସମ୍ମିଳନୀ 601–610 (ACM 2009)।
କପୁର, ଏସ୍. ଏବଂ ନାରାୟଣନ୍, ଏ. ମେସିନ୍ ଲର୍ଣ୍ଣିଂ-ଆଧାରିତ ବିଜ୍ଞାନରେ ଲିକେଜ୍ ଏବଂ ପ୍ରଜନନକ୍ଷମତା ସଙ୍କଟ। ପ୍ୟାଟର୍ଣ୍ଣସ୍, 4, 100804 (2023)।
କପୁର ଏସ୍. ଏବଂ ଅନ୍ୟାନ୍ୟ ସଂସ୍କାର: ମେସିନ୍ ଲର୍ନିଂ ଉପରେ ଆଧାରିତ ବୈଜ୍ଞାନିକ ରିପୋର୍ଟିଂ ମାନକ। https://arxiv.org/abs/2308.07832 (2023) ରେ ପ୍ରିପ୍ରିଣ୍ଟ ଉପଲବ୍ଧ।
ଡିମାସି, ଓ., କର୍ଡିଂ, ସି., ଏବଂ ରେଚ୍ଟ, ବି. ଅର୍ଥହୀନ ତୁଳନା ଚିକିତ୍ସା ମେସିନ୍ ଶିକ୍ଷଣରେ ମିଥ୍ୟା ଆଶାବାଦ ଆଣିପାରେ। PloS ONE 12, e0184604 (2017)।
ରବର୍ଟସ୍, ଏମ୍., ଏବଂ ଅନ୍ୟମାନେ। ଛାତିର ଏକ୍ସ-ରେ ଏବଂ ଗଣନା କରାଯାଇଥିବା ଟୋମୋଗ୍ରାଫିରୁ COVID-19 ଚିହ୍ନଟ ଏବଂ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ମେସିନ୍ ଲର୍ନିଂ ବ୍ୟବହାର କରିବାର ସାଧାରଣ ବିପଦ ଏବଂ ସର୍ବୋତ୍ତମ ଅଭ୍ୟାସ। ନାଟ୍। ମ୍ୟାକ୍ସ। ଇଣ୍ଟେଲ୍। 3, 199–217 (2021)।
ୱିନାଣ୍ଟଜ୍ ଏଲ୍. ଏବଂ ଅନ୍ୟାନ୍ୟ। COVID-19 ର ନିର୍ଣ୍ଣୟ ଏବଂ ପୂର୍ବାନୁମାନ ପାଇଁ ପୂର୍ବାନୁମାନିକ ମଡେଲ: ଏକ ପଦ୍ଧତିଗତ ସମୀକ୍ଷା ଏବଂ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ମୂଲ୍ୟାଙ୍କନ। BMJ 369, m1328 (2020)।
ଜିନୋମିକ୍ସରେ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ବ୍ୟବହାରର ବିପଦକୁ ଦୂର କରିବା ପାଇଁ ହ୍ୱେଲେନ୍ ଏସ୍., ସ୍କ୍ରାଇବର ଜେ., ନୋବେଲ୍ ଡବ୍ଲୁଏସ୍ ଏବଂ ପୋଲାର୍ଡ କେଏସ୍. ନାଟ୍. ପାଷ୍ଟର ଜିନେଟ୍. ୨୩, ୧୬୯–୧୮୧ (୨୦୨୨)।
ଆଟ୍ରିସ୍ ଏନ. ଏବଂ ଅନ୍ୟାନ୍ୟ। ରସାୟନ ବିଜ୍ଞାନରେ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ପାଇଁ ସର୍ବୋତ୍ତମ ଅଭ୍ୟାସ। ନାଟ୍। କେମିକାଲ। ୧୩, ୫୦୫–୫୦୮ (୨୦୨୧)।
ବ୍ରଣ୍ଟନ୍ SL ଏବଂ କୁଟ୍ଜ JN ଆଂଶିକ ଭିନ୍ନକ୍ଷମ ସମୀକରଣର ମେସିନ୍ ଶିକ୍ଷଣ ପାଇଁ ପ୍ରତିଶ୍ରୁତିବଦ୍ଧ ଦିଗ। ନାଟ୍। ଗଣନା। ବିଜ୍ଞାନ। 4, 483–494 (2024)।
ଭିନୁଏସା, ଆର. ଏବଂ ବ୍ରଣ୍ଟନ, ଏସଏଲ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ମାଧ୍ୟମରେ କମ୍ପ୍ୟୁଟେସନାଲ୍ ଫ୍ଲୁଇଡ୍ ଡାଇନାମିକ୍ସକୁ ଉନ୍ନତ କରିବା। ନାଟ। ଗଣନା। ବିଜ୍ଞାନ। 2, 358–366 (2022)।
କୋମେଉ, ଏସ୍. ଏଟ୍ ଅନ୍ୟମାନେ। ଶାରୀରିକ ଭାବରେ ସୂଚିତ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ ସହିତ ବୈଜ୍ଞାନିକ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ: ଆମେ ଏବେ କେଉଁଠି ଏବଂ ପରବର୍ତ୍ତୀ କ'ଣ। ଜେ. ସାଇନ୍ସ। ଗଣନା। 92, 88 (2022)।
ଡୁରାଇସାମି, କେ., ୟାକାରିନୋ, ଜି., ଏବଂ ଜିଆଓ, ଏଚ୍. ଡାଟା ଯୁଗରେ ଟର୍ବୁଲନ୍ସ ମଡେଲିଂ। ଆନ. ୫୧, ୩୫୭–୩୭୭ (୨୦୧୯)ର ସଂଶୋଧିତ ସଂସ୍କରଣ।
ଡୁରାନ, DR ଭୂଭୌତିକ ଜଳଗତିକତାରେ ତରଙ୍ଗ ସମୀକରଣ ସମାଧାନ ପାଇଁ ସଂଖ୍ୟାତ୍ମକ ପଦ୍ଧତି, ଖଣ୍ଡ 32 (ସ୍ପ୍ରିଙ୍ଗର, 2013)।
ମିଶ୍ର, ଏସ୍. ଡିଫରେନ୍ସିଆଲ୍ ସମୀକରଣର ଡାଟା-ଚାଳିତ ଗଣନାକୁ ତ୍ୱରାନ୍ୱିତ କରିବା ପାଇଁ ଏକ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ଫ୍ରେମୱାର୍କ। ଗଣିତ। ଇଞ୍ଜିନିୟର। https://doi.org/10.3934/Mine.2018.1.118 (2018)।
କୋଚିକୋଭ ଡି. ଏଟ୍ ଅନ୍ୟମାନେ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ - କମ୍ପ୍ୟୁଟେସନାଲ୍ ତରଳ ଗତିଶୀଳତାର ତ୍ୱରାନ୍ୱୟ। ପ୍ରକ୍ରିୟା। ଜାତୀୟ ବିଜ୍ଞାନ ଏକାଡେମୀ। ବିଜ୍ଞାନ। US 118, e2101784118 (2021)।
କଡାପା, କେ. କମ୍ପ୍ୟୁଟର ବିଜ୍ଞାନ ଏବଂ ଇଞ୍ଜିନିୟରିଂ ପାଇଁ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ - ଏକ ସଂକ୍ଷିପ୍ତ ପରିଚୟ ଏବଂ କିଛି ପ୍ରମୁଖ ସମସ୍ୟା। https://arxiv.org/abs/2112.12054 (2021) ରେ ପ୍ରିପ୍ରିଣ୍ଟ ଉପଲବ୍ଧ।
ରସ୍, ଏ., ଲି, ଜେଡ୍., ପେରେଜୋଗିନ୍, ପି., ଫର୍ଣ୍ଣାଣ୍ଡିଜ୍-ଗ୍ରାଣ୍ଡା, ସି., ଏବଂ ଜାନା, ଏଲ୍. ଆଦର୍ଶ ମଡେଲରେ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ସମୁଦ୍ର ସବଗ୍ରିଡ୍ ପାରାମିଟରାଇଜେସନ୍ର ତୁଳନାତ୍ମକ ବିଶ୍ଳେଷଣ। ଜେ. ଆଡଭି. ମଡେଲ୍। ପୃଥିବୀ ପ୍ରଣାଳୀ। ୧୫। e2022MS003258 (2023)।
ଲିପ୍ପେ, ପି., ୱିଲିଂ, ବି., ପର୍ଡିକାରିସ୍, ପି., ଟର୍ନର, ଆର., ଏବଂ ବ୍ରାଣ୍ଡଷ୍ଟେଟର, ଜେ. ପିଡିଇ ରିଫାଇନେମେଣ୍ଟ: ଏକ ନ୍ୟୁରାଲ୍ ପିଡିଇ ସଲଭର୍ ସହିତ ସଠିକ୍ ଲମ୍ବା ଏକ୍ସଟ୍ରୁଜନ୍ ହାସଲ କରିବା। ନ୍ୟୁରାଲ୍ ସୂଚନା ପ୍ରକ୍ରିୟାକରଣ ସିଷ୍ଟମ୍ ଉପରେ ୩୭ତମ ସମ୍ମିଳନୀ (ନ୍ୟୁରିପ୍ସ ୨୦୨୩)।
ଫ୍ରାଚାସ୍, ପିଆର ଏବଂ ଅନ୍ୟାନ୍ୟ। ଜଟିଳ ସ୍ପାଟିଓଟେମ୍ପୋରାଲ୍ ଡାଇନାମିକ୍ସର ପୂର୍ବାନୁମାନ ପାଇଁ ପୁନରାବୃତ୍ତି ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କରେ ବ୍ୟାକପ୍ରୋପେଗେସନ୍ ଆଲଗୋରିଦମ୍ ଏବଂ ଜଳାଶୟ ଗଣନା। ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ। 126, 191–217 (2020)।
ରାଇସି, ଏମ୍., ପର୍ଡିକାରିସ୍, ପି. ଏବଂ କରନିଆଡାକିସ୍, ଜିଇ ପଦାର୍ଥ ବିଜ୍ଞାନ, କମ୍ପ୍ୟୁଟର ବିଜ୍ଞାନ, ନ୍ୟୁରାଲ ନେଟୱାର୍କ: ଅଣରେଖିକ ଆଂଶିକ ଭିନ୍ନକ୍ଷମ ସମୀକରଣ ସହିତ ଜଡିତ ଆଗୁଆ ଏବଂ ବିପରୀତ ସମସ୍ୟା ସମାଧାନ ପାଇଁ ଏକ ଗଭୀର ଶିକ୍ଷଣ ଢାଞ୍ଚା। ଜେ. କମ୍ପ୍ୟୁଟର। ପଦାର୍ଥ ବିଜ୍ଞାନ। ୩୭୮, ୬୮୬–୭୦୭ (୨୦୧୯)।
ଗ୍ରସମ୍ୟାନ୍, ଟିଜି, କୋମୋରୋୱସ୍କା, ୟୁଜେ, ଲୁଟ୍ଜ, ଜେ., ଏବଂ ସ୍କୋନଲିବ୍, କେ.-ବି. କ'ଣ ଭୌତିକ ବିଜ୍ଞାନ-ଆଧାରିତ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କଗୁଡିକ ସସୀମ ଉପାଦାନ ପଦ୍ଧତିଗୁଡିକଠାରୁ ଭଲ ପ୍ରଦର୍ଶନ କରିପାରିବ? ଆଇଏମଏ ଜେ. ପ୍ରୟୋଗ. ଗଣିତ. 89, 143–174 (2024).
ଡେ ଲା ମାଟା, ଏଫଏଫ, ଗିଜୋନ୍, ଏ., ମୋଲିନା-ସୋଲାନା, ଏମ୍., ଏବଂ ଗୋମେଜ୍-ରୋମେରୋ, ଜେ. ଡାଟା-ଚାଳିତ ମଡେଲିଂ ପାଇଁ ପଦାର୍ଥ ବିଜ୍ଞାନ-ଆଧାରିତ ନ୍ୟୁରାଲ ନେଟୱାର୍କ: ସୁବିଧା, ସୀମା ଏବଂ ସୁଯୋଗ। ପଦାର୍ଥ ବିଜ୍ଞାନ। ଏ 610, 128415 (2023)।
ଝୁଆଙ୍ଗ, ପି.-ୱାଇ. ଏବଂ ବାର୍ବା, ଏଲଏ ତରଳ ମଡେଲିଂରେ ଭୌତିକ-ଆଧାରିତ ନ୍ୟୁରାଲ ନେଟୱାର୍କ ଉପରେ ଏକ ଅଭିଜ୍ଞ ରିପୋର୍ଟ: ବିପଦ ଏବଂ ନିରାଶା। https://arxiv.org/abs/2205.14249 (2022) ରେ ପ୍ରିପ୍ରିଣ୍ଟ ଉପଲବ୍ଧ।
ଝୁଆଙ୍ଗ, ପି.-ୱାଇ. ଏବଂ ବାର୍ବା, LA ଘୂର୍ଣ୍ଣିବଳୟ ଗଠନ ଉପରେ ଶାରୀରିକ ଭାବରେ ସୂଚିତ ନ୍ୟୁରାଲ ନେଟୱାର୍କର ପୂର୍ବାନୁମାନିକ ସୀମା। https://arxiv.org/abs/2306.00230 (2023) ରେ ପ୍ରିପ୍ରିଣ୍ଟ ଉପଲବ୍ଧ।
ୱାଙ୍ଗ, ଏସ୍., ୟୁ, ଏଚ୍., ଏବଂ ପର୍ଡିକାରିସ୍, ପି. କେବେ ଏବଂ କାହିଁକି ପିନ୍ସ ତାଲିମ ନେବାରେ ବିଫଳ ହୁଅନ୍ତି: ଏକ ସ୍ନାୟୁ ଟାଞ୍ଜେଣ୍ଟ ନ୍ୟୁକ୍ଲିୟସ୍ ଦୃଷ୍ଟିକୋଣ। ଜେ. କମ୍ପ୍ୟୁଟର। ପଦାର୍ଥ ବିଜ୍ଞାନ। ୪୪୯, ୧୧୦୭୬୮ (୨୦୨୨)।
କୃଷ୍ଣପ୍ରିୟାନ, ଏ., ଘୋଲାମି, ଏ., ଝେ, ଏସ., କିର୍ବି, ଆର., ଏବଂ ମାହୋନି, MW ଭୌତିକ ସୂଚନା ନ୍ୟୁରାଲ ନେଟୱାର୍କରେ ସମ୍ଭାବ୍ୟ ବିଫଳତା ମୋଡର ବୈଶିଷ୍ଟ୍ୟ। ନ୍ୟୁରାଲ ସୂଚନା ପ୍ରକ୍ରିୟାକରଣ ପ୍ରଣାଳୀ ଉପରେ 35ତମ ସମ୍ମିଳନୀ ଖଣ୍ଡ 34, 26548–26560 (ନ୍ୟୁରିପ୍ସ 2021)।
ବସିର, ଏସ୍. ଏବଂ ସେନୋକାକ୍, ଆଇ. ଭୌତିକ ବିଜ୍ଞାନ-ଆଧାରିତ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କରେ ବିଫଳତା ମୋଡ୍ର ଏକ ସମାଲୋଚନାମୂଳକ ଅଧ୍ୟୟନ। AiAA SCITECH 2022 ଫୋରମ୍ 2353 (ARK, 2022) ରେ।
କର୍ଣ୍ଣାକୋଭ୍ ପି., ଲିଟଭିନୋଭ୍ ଏସ୍. ଏବଂ କୌମୋଉସାକୋସ୍ ପି. ବିଚ୍ଛିନ୍ନ କ୍ଷତିକୁ ଅପ୍ଟିମାଇଜ୍ କରି ଭୌତିକ ବିପରୀତ ସମସ୍ୟାର ସମାଧାନ: ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ ବିନା ଦ୍ରୁତ ଏବଂ ସଠିକ୍ ଶିକ୍ଷଣ। ପ୍ରକ୍ରିୟା। ଜାତୀୟ ବିଜ୍ଞାନ ଏକାଡେମୀ। ବିଜ୍ଞାନ। Nexus 3, pgae005 (2024)।
ଗୁଣ୍ଡରସେନ୍ OE ପ୍ରଜନନକ୍ଷମତାର ମୌଳିକ ନୀତି। ଫିଲ୍.କ୍ରସ୍। ଆର. ଶୁକର। ଏ ୩୭୯, ୨୦୨୦୦୨୧୦ (୨୦୨୧)।
ଆରୋମାଟାରିସ୍ ଇ ଏବଂ ପିଅର୍ସନ୍ ଏ. ସିଷ୍ଟମେଟିକ୍ ସମୀକ୍ଷା: ଏକ ସାରାଂଶ। ହଁ। ଜେ. ନର୍ସିଂ ୧୧୪, ୫୩-୫୮ (୨୦୧୪)।
ମାଗିଏରା, ଜେ., ରେ, ଡି., ହେସଥାଭେନ୍, ଜେଏସ୍, ଏବଂ ରୋହଡେ, କେ. ରିମାନ୍ ସମସ୍ୟା ପାଇଁ ପ୍ରତିବନ୍ଧକ-ସଚେତନ ନ୍ୟୁରାଲ ନେଟୱାର୍କ। ଜେ. କମ୍ପ୍ୟୁଟର। ପଦାର୍ଥ ବିଜ୍ଞାନ। 409, 109345 (2020)।
ବେଜଗିନ୍ DA, Schmidt SJ ଏବଂ Adams NA ଅଣ-ଶାସ୍ତ୍ରୀୟ ହ୍ରାସିତ ଭୋଲଟେଜ୍ ଆଘାତ ପାଇଁ ଡାଟା-ଚାଳିତ ଶାରୀରିକ ଭାବରେ ସୂଚିତ ସସୀମ ଭଲ୍ୟୁମ୍ ସର୍କିଟ୍। J. କମ୍ପ୍ୟୁଟର। ପଦାର୍ଥ ବିଜ୍ଞାନ। 437, 110324 (2021)।
ପୋଷ୍ଟ ସମୟ: ସେପ୍ଟେମ୍ବର-୨୯-୨୦୨୪