දුර්වල මූලික රේඛා සහ වාර්තාකරණ නැඹුරුව තරල ආශ්‍රිත අර්ධ අවකල සමීකරණ යන්ත්‍ර ඉගෙනීමේදී අධික ශුභවාදී බවකට මග පාදයි.

Nature.com වෙත පිවිසීම ගැන ඔබට ස්තූතියි. ඔබ භාවිතා කරන බ්‍රව්සර් අනුවාදයේ සීමිත CSS සහාය ඇත. හොඳම ප්‍රතිඵල සඳහා, ඔබගේ බ්‍රව්සරයේ නවතම අනුවාදයක් භාවිතා කරන ලෙස අපි නිර්දේශ කරමු (නැතහොත් Internet Explorer හි අනුකූලතා ප්‍රකාරය අක්‍රීය කරන්න). මේ අතරතුර, අඛණ්ඩ සහාය සහතික කිරීම සඳහා, අපි මෝස්තරයක් හෝ JavaScript නොමැතිව අඩවිය පෙන්වමු.
පරිගණක භෞතික විද්‍යාවේ යන්ත්‍ර ඉගෙනීමේ වඩාත්ම පොරොන්දු වූ යෙදුම්වලින් එකක් වන්නේ අර්ධ අවකල සමීකරණ (PDEs) වල වේගවත් විසඳුමයි. යන්ත්‍ර ඉගෙනීම මත පදනම් වූ අර්ධ අවකල සමීකරණ විසඳුම්කරුවෙකුගේ ප්‍රධාන ඉලක්කය වන්නේ මූලික සංසන්දනයක් ලෙස සේවය කිරීම සඳහා සම්මත සංඛ්‍යාත්මක ක්‍රමවලට වඩා ප්‍රමාණවත් තරම් නිවැරදි විසඳුම් නිෂ්පාදනය කිරීමයි. අපි මුලින්ම අර්ධ අවකල සමීකරණ විසඳීම පිළිබඳ යන්ත්‍ර ඉගෙනුම් සාහිත්‍යය පිළිබඳ ක්‍රමානුකූල සමාලෝචනයක් පවත්වමු. තරල අර්ධ අවකල සමීකරණ විසඳීම සඳහා ML භාවිතය සහ සම්මත සංඛ්‍යාත්මක ක්‍රමවලට වඩා උසස් බව ප්‍රකාශ කරන සියලුම පත්‍රිකා වලින්, දුර්වල මූලික කරුණු හා සසඳන විට අපි 79% (60/76) හඳුනා ගත්තෙමු. දෙවනුව, පුළුල් වාර්තාකරණ පක්ෂග්‍රාහීත්වයක්, විශේෂයෙන් ප්‍රතිඵල වාර්තාකරණය සහ ප්‍රකාශන පක්ෂග්‍රාහීත්වය පිළිබඳ සාක්ෂි අපට හමු විය. අර්ධ අවකල සමීකරණ විසඳීම පිළිබඳ යන්ත්‍ර ඉගෙනුම් පර්යේෂණ ඕනෑවට වඩා ශුභවාදී බව අපි නිගමනය කරමු: දුර්වල ආදාන දත්ත ඕනෑවට වඩා ධනාත්මක ප්‍රතිඵලවලට හේතු විය හැකි අතර, වාර්තා කිරීමේ පක්ෂග්‍රාහීත්වය ඍණාත්මක ප්‍රතිඵල අඩුවෙන් වාර්තා කිරීමට හේතු විය හැක. බොහෝ දුරට, මෙම ගැටළු ඇති වන්නේ අතීත ප්‍රජනන අර්බුදවලට සමාන සාධක නිසා බව පෙනේ: විමර්ශක අභිමතය සහ ධනාත්මක ප්‍රතිඵල පක්ෂග්‍රාහීත්වය. පක්ෂග්‍රාහී වාර්තාකරණය අවම කිරීම සඳහා පහළ සිට ඉහළට සංස්කෘතික වෙනසක් සහ එසේ කිරීම සඳහා විකෘති දිරිගැන්වීම් අඩු කිරීම සඳහා ඉහළ සිට පහළට ව්‍යුහාත්මක ප්‍රතිසංස්කරණයක් ඉල්ලා සිටිමු.
ක්‍රමානුකූල සමාලෝචනය මගින් ජනනය කරන ලද කතුවරුන්ගේ සහ ලිපි ලැයිස්තුව මෙන්ම අහඹු නියැදියේ එක් එක් ලිපියේ වර්ගීකරණය, https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124) හි ප්‍රසිද්ධියේ ලබා ගත හැකිය.
වගුව 2 හි ප්‍රතිඵල ප්‍රතිනිෂ්පාදනය කිරීමට අවශ්‍ය කේතය GitHub හි සොයා ගත හැක: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) සහ Code Ocean හි සොයා ගත හැක: https://codeocean.com/capsule/9605539/Tree/ v1 (link 126) සහ https://codeocean.com/capsule/0799002/tree/v1 (link 127).
රැන්ඩල්, ඩී., සහ වෙල්සර්, කේ., නූතන විද්‍යාවේ පුනර්ජනනීයතා අර්බුදය: හේතු, ප්‍රතිවිපාක සහ ප්‍රතිසංස්කරණ සඳහා මාර්ග (ජාතික විද්‍යාඥයින්ගේ සංගමය, 2018).
රිචී, එස්. විද්‍යා ප්‍රබන්ධ: වංචාව, පක්ෂග්‍රාහීත්වය, නිහඬතාවය සහ ප්‍රචාරය සත්‍යය සෙවීම අඩපණ කරන්නේ කෙසේද (වින්ටේජ්, 2020).
විවෘත විද්‍යාත්මක සහයෝගීතාවය. මනෝවිද්‍යාත්මක විද්‍යාවේ ප්‍රජනන හැකියාව තක්සේරු කිරීම. විද්‍යාව 349, AAAC4716 (2015).
ප්‍රින්ස්, එෆ්., ෂ්ලැන්ජ්, ටී., සහ අසදුල්ලා, කේ. විශ්වාස කරන්න හෝ නොකරන්න: විභව ඖෂධ ඉලක්ක පිළිබඳ ප්‍රකාශිත දත්ත මත අපට කොපමණ විශ්වාසය තැබිය හැකිද? නේට්. රෙඩ්. “ඖෂධ සොයාගැනීම.” 10, 712 (2011).
බෙග්ලි, කේ.ජී. සහ එලිස්, එල්.එම්. පූර්ව සායනික පිළිකා පර්යේෂණවල ප්‍රමිතීන් ඉහළ නැංවීම. නේචර් 483, 531–533 (2012).
ඒ. ජෙල්මන් සහ ඊ. ලොකන්, ද ගාර්ඩන් ඔෆ් ෆෝකින් පාත්ස්: වයි බහු සංසන්දනයන් ආර් අ ප්‍රොබ්ලම් ඊව්නවුට් “ෆිෂිං එක්ස්පෙඩිෂන්ස්” හෝ “පී-හැක්ස්” සහ ප්‍රෙෆෝම්ඩ් රිසර්ච් කල්පිත, වෙළුම. 348, 1–17 (සංඛ්‍යාලේඛන දෙපාර්තමේන්තුව, 2013).
කරගියෝර්ගි, ජී., කසෙක්කා, ජී., ක්‍රැවිට්ස්, එස්., නැච්මන්, බී., සහ ෂි, ඩී. නව මූලික භෞතික විද්‍යාව සෙවීමේ යන්ත්‍ර ඉගෙනීම. නේට්. භෞතික විද්‍යාව පිළිබඳ දර්ශන ආචාර්ය. 4, 399–412 (2022).
ඩාරා එස්, ඩමර්චර්ලා එස්, ජාදව් එස්එස්, බාබු සීඑම් සහ අහ්සාන් එම්ජේ. ඖෂධ සොයාගැනීමේදී යන්ත්‍ර ඉගෙනීම: සමාලෝචනයක්. ඇටිෆ්. ඉන්ටෙල්. සංස්. 55, 1947–1999 (2022).
මාතර්, ඒඑස් සහ කූට්, එම්එල් රසායන විද්‍යාව පිළිබඳ ගැඹුරු ඉගෙනීම. ජේ. රසායන විද්‍යාව. දැනුම් දෙන්න. ආකෘතිය. 59, 2545–2559 (2019).
රාජ්කොමාර් ඒ., ඩීන් ජේ. සහ කොහාන් අයි. වෛද්‍ය විද්‍යාවේ යන්ත්‍ර ඉගෙනීම. නිව් එංගලන්ත වෛද්‍ය සඟරාව. 380, 1347–1358 (2019).
ග්‍රිමර් ජේ, රොබට්ස් එම්ඊ. සහ ස්ටුවර්ට් බීඑම් සමාජ විද්‍යාවන්හි යන්ත්‍ර ඉගෙනීම: අඥෙයවාදී ප්‍රවේශයක්. පූජ්‍ය ඈන් බෝල්. විද්‍යාව. 24, 395–419 (2021).
ජම්ප්, ජේ. සහ තවත් අය. ඇල්ෆාෆෝල්ඩ් භාවිතයෙන් ඉතා නිවැරදි ප්‍රෝටීන් ව්‍යුහ අනාවැකි සාදන්න. නේචර් 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., සහ Gil, Y. යන්ත්‍ර ඉගෙනීමේ ප්‍රතිනිෂ්පාදනය කළ නොහැකි මූලාශ්‍ර: සමාලෝචනයක්. පූර්ව මුද්‍රණය https://arxiv.org/abs/2204.07610 (2022) හි ඇත.
ස්කලී, ඩී., ස්නූක්, ජේ., විල්ට්ස්කෝ, ඒ., සහ රහිමි, ඒ. ජයග්‍රාහකයාගේ ශාපය? අනුභූතික සාක්ෂිවල වේගය, ප්‍රගතිය සහ දැඩි බව පිළිබඳව (ICLR, 2018).
ආම්ස්ට්‍රෝං, ටීජී, මොෆට්, ඒ., වෙබ්බර්, ඩබ්ලිව්., සහ සොබෙල්, ජේ. ආකලන නොවන වැඩිදියුණු කිරීම්: 1998 සිට මූලික සෙවුම් ප්‍රතිඵල. තොරතුරු සහ දැනුම කළමනාකරණය පිළිබඳ 18 වන ACM සමුළුව 601–610 (ACM 2009).
කපූර්, එස්. සහ නාරායනන්, ඒ. යන්ත්‍ර ඉගෙනීම පදනම් කරගත් විද්‍යාවේ කාන්දුවීම් සහ ප්‍රජනන අර්බුද. රටා, 4, 100804 (2023).
කපූර් එස්. සහ තවත් අය. ප්‍රතිසංස්කරණය: යන්ත්‍ර ඉගෙනීම මත පදනම් වූ විද්‍යාත්මක වාර්තාකරණ ප්‍රමිතීන්. පූර්ව මුද්‍රණය https://arxiv.org/abs/2308.07832 (2023) හි ඇත.
ඩිමාසි, ඕ., කෝඩින්, සී., සහ රෙක්ට්, බී. අර්ථ විරහිත සැසඳීම් වෛද්‍ය යන්ත්‍ර ඉගෙනීමේ ව්‍යාජ ශුභවාදී ආකල්පයකට හේතු විය හැක. PLoS ONE 12, e0184604 (2017).
රොබට්ස්, එම්., සහ තවත් අය. පපුවේ එක්ස් කිරණ සහ පරිගණක ටොමොග්‍රැෆි මගින් COVID-19 හඳුනා ගැනීමට සහ පුරෝකථනය කිරීමට යන්ත්‍ර ඉගෙනීම භාවිතා කිරීම සඳහා පොදු දුර්වලතා සහ හොඳම භාවිතයන්. නේට්. මැක්ස්. ඉන්ටෙල්. 3, 199–217 (2021).
විනන්ට්ස් එල්. සහ තවත් අය. COVID-19 රෝග විනිශ්චය සහ පුරෝකථනය සඳහා පුරෝකථන ආකෘති: ක්‍රමානුකූල සමාලෝචනයක් සහ විවේචනාත්මක තක්සේරුවක්. BMJ 369, m1328 (2020).
වේලන් එස්., ෂ්‍රයිබර් ජේ., නොබල් ඩබ්ලිව්එස් සහ පොලාර්ඩ් කේඑස් ජාන විද්‍යාවේ යන්ත්‍ර ඉගෙනීම භාවිතා කිරීමේ අන්තරායන් ජය ගැනීම. නේට්. පාස්ටර් ජිනෙට්. 23, 169–181 (2022).
ඇට්‍රිස් එන්. සහ තවත් අය. රසායන විද්‍යාවේ යන්ත්‍ර ඉගෙනීම සඳහා හොඳම භාවිතයන්. ජාතික රසායනික. 13, 505–508 (2021).
බ්‍රන්ටන් එස්එල් සහ කුට්ස් ජේඑන් අර්ධ අවකල සමීකරණ යන්ත්‍ර ඉගෙනීම සඳහා පොරොන්දු වූ උපදෙස්. ජාතික ගණනය කිරීම. විද්‍යාව. 4, 483–494 (2024).
විනුයේසා, ආර්. සහ බ්‍රන්ටන්, එස්එල් යන්ත්‍ර ඉගෙනීම හරහා පරිගණකමය තරල ගතිකය වැඩිදියුණු කිරීම. ජාතික ගණනය කිරීම. විද්‍යාව. 2, 358–366 (2022).
කොමේඕ, එස්. සහ තවත් අය. භෞතිකව දැනුවත් ස්නායුක ජාල සමඟ විද්‍යාත්මක යන්ත්‍ර ඉගෙනීම: අපි දැන් සිටින්නේ කොහේද සහ ඊළඟට කුමක්ද. ජේ. විද්‍යාව. ගණනය කරන්න. 92, 88 (2022).
දුරෙයිසාමි, කේ., යකරිනෝ, ජී., සහ ෂියාඕ, එච්. දත්ත යුගයේ කැළඹිලි ආකෘති නිර්මාණය. ඇන් හි සංශෝධිත සංස්කරණය. 51, 357–377 (2019).
ඩුරන්, ඩීආර් භූ භෞතික ජල ගතිකයේ තරංග සමීකරණ විසඳීම සඳහා සංඛ්‍යාත්මක ක්‍රම, වෙළුම 32 (ස්ප්‍රින්ගර්, 2013).
මිෂ්රා, එස්. අවකල සමීකරණවල දත්ත මත පදනම් වූ ගණනය කිරීම් වේගවත් කිරීම සඳහා යන්ත්‍ර ඉගෙනුම් රාමුවක්. ගණිතය. ඉංජිනේරු. https://doi.org/10.3934/Mine.2018.1.118 (2018).
කොචිකොව් ඩී. සහ තවත් අය. යන්ත්‍ර ඉගෙනීම - පරිගණක තරල ගතිකයේ ත්වරණය. ක්‍රියාවලිය. ජාතික විද්‍යා ඇකඩමිය. විද්‍යාව. එක්සත් ජනපදය 118, e2101784118 (2021).
කඩපා, කේ. පරිගණක විද්‍යාව සහ ඉංජිනේරු විද්‍යාව සඳහා යන්ත්‍ර ඉගෙනීම - කෙටි හැඳින්වීමක් සහ ප්‍රධාන ගැටළු කිහිපයක්. පූර්ව මුද්‍රණය https://arxiv.org/abs/2112.12054 (2021) හි ඇත.
රොස්, ඒ., ලී, ඉසෙඩ්., පෙරෙෂොගින්, පී., ෆර්නැන්ඩස්-ග්‍රෑන්ඩා, සී., සහ සැනා, එල්. පරමාදර්ශී ආකෘතිවල යන්ත්‍ර ඉගෙනුම් සාගර උප ජාලක පරාමිතිකරණය පිළිබඳ සංසන්දනාත්මක විශ්ලේෂණය. ජේ. ඇඩ්ව්. ආකෘතිය. පෘථිවි පද්ධතිය. 15. e2022MS003258 (2023).
ලිපේ, පී., වයිලිං, බී., පර්ඩිකරිස්, පී., ටර්නර්, ආර්., සහ බ්‍රැන්ඩ්ස්ටෙටර්, ජේ. පීඩීඊ පිරිපහදු කිරීම: ස්නායුක පීඩීඊ ද්‍රාවකයක් සමඟ නිවැරදි දිගු නිස්සාරණ ලබා ගැනීම. ස්නායු තොරතුරු සැකසුම් පද්ධති පිළිබඳ 37 වන සමුළුව (නියුරිප්ස් 2023).
ෆ්‍රාචාස්, පීආර් සහ තවත් අය. සංකීර්ණ අවකාශීය-කාලික ගතිකය පුරෝකථනය කිරීම සඳහා පුනරාවර්තන ස්නායු ජාල වල පසු ප්‍රචාරණ ඇල්ගොරිතම සහ ජලාශ ගණනය කිරීම. ස්නායු ජාලය. 126, 191–217 (2020).
රයිසි, එම්., පර්ඩිකරිස්, පී. සහ කර්නියාඩකිස්, ජීඊ භෞතික විද්‍යාව, පරිගණක විද්‍යාව, ස්නායු ජාල: රේඛීය නොවන අර්ධ අවකල සමීකරණ සම්බන්ධ ඉදිරි සහ ප්‍රතිලෝම ගැටළු විසඳීම සඳහා ගැඹුරු ඉගෙනුම් රාමුවක්. ජේ. පරිගණකය. භෞතික විද්‍යාව. 378, 686–707 (2019).
ග්‍රොස්මන්, ටීජී, කොමොරොව්ස්කා, යූජේ, ලුට්ස්, ජේ., සහ ෂෝන්ලිබ්, කේ.-බී. භෞතික විද්‍යාව පදනම් කරගත් ස්නායුක ජාලවලට සීමිත මූලද්‍රව්‍ය ක්‍රම අභිබවා යා හැකිද? IMA J. යෙදුම්. ගණිතය. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., සහ Gómez-Romero, J. දත්ත මත පදනම් වූ ආකෘති නිර්මාණය සඳහා භෞතික විද්‍යාව පදනම් කරගත් ස්නායු ජාල: වාසි, සීමාවන් සහ අවස්ථා. භෞතික විද්‍යාව. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA තරල ආකෘති නිර්මාණයේ භෞතික විද්‍යාව පදනම් කරගත් ස්නායුක ජාල පිළිබඳ ප්‍රායෝගික වාර්තාවක්: අන්තරායන් සහ බලාපොරොත්තු සුන්වීම්. පූර්ව මුද්‍රණය https://arxiv.org/abs/2205.14249 (2022) හි ඇත.
Zhuang, P.-Y. සහ Barba, LA සුළි සෑදීමේදී භෞතිකව දැනුවත් ස්නායුක ජාල වල පුරෝකථන සීමාවන්. පූර්ව මුද්‍රණය https://arxiv.org/abs/2306.00230 (2023) හි ඇත.
වැන්ග්, එස්., යූ, එච්., සහ පර්ඩිකරිස්, පී. පින්ස් පුහුණු කිරීමට අසමත් වන්නේ කවදාද සහ ඇයි: ස්නායු ස්පර්ශක න්‍යෂ්ටික දෘෂ්ටිකෝණය. ජේ. පරිගණකය. භෞතික විද්‍යාව. 449, 110768 (2022).
ක්‍රිෂ්ණප්‍රියන්, ඒ., ගෝලාමි, ඒ., ෂේ, එස්., කිර්බි, ආර්., සහ මහෝනි, එම්ඩබ්ලිව්. භෞතික තොරතුරු ස්නායුක ජාල වල ඇති විය හැකි අසාර්ථකත්ව ක්‍රමවල ලක්ෂණ. ස්නායු තොරතුරු සැකසුම් පද්ධති පිළිබඳ 35 වන සමුළුව වෙළුම. 34, 26548–26560 (නියුරිප්ස් 2021).
බසීර්, එස්. සහ සෙනොකාක්, අයි. භෞතික විද්‍යාව පදනම් කරගත් ස්නායුක ජාල වල අසාර්ථකත්ව ක්‍රම පිළිබඳ විවේචනාත්මක අධ්‍යයනයක්. AiAA SCITECH 2022 සංසදය 2353 (ARK, 2022) හි.
කර්නකොව් පී., ලිට්විනොව් එස්. සහ කුමවුට්සකොස් පී. ස්නායුක ජාල නොමැතිව වේගවත් හා නිවැරදි ඉගෙනීම: විවික්ත පාඩු ප්‍රශස්ත කිරීම මගින් භෞතික ප්‍රතිලෝම ගැටළු විසඳීම. ක්‍රියාවලිය. ජාතික විද්‍යා ඇකඩමිය. විද්‍යාව. Nexus 3, pgae005 (2024).
Gundersen OE ප්‍රජනන හැකියාව පිළිබඳ මූලික මූලධර්ම. Phil.cross. R. Shuker. A 379, 20200210 (2021).
ඇරෝමැටරිස් ඊ සහ පියර්සන් ඒ. ක්‍රමානුකූල සමාලෝචන: දළ විශ්ලේෂණයක්. ඔව්. ජේ. නර්සිං 114, 53–58 (2014).
මැගීරා, ජේ., රේ, ඩී., හෙස්තවන්, ජේ.එස්. සහ රෝඩ්, කේ. රීමන් ගැටලුව සඳහා සීමා-දැනුවත් ස්නායු ජාල. ජේ. පරිගණකය. භෞතික විද්‍යාව. 409, 109345 (2020).
සම්භාව්‍ය නොවන අඩු කළ වෝල්ටීයතා කම්පන සඳහා දත්ත මත පදනම් වූ භෞතිකව දැනුම් දුන් සීමිත පරිමාව පරිපථය. J. පරිගණකය. භෞතික විද්‍යාව. 437, 110324 (2021).