Asante kwa kutembelea Nature.com. Toleo la kivinjari unachotumia lina uwezo mdogo wa kutumia CSS. Kwa matokeo bora zaidi, tunapendekeza kwamba utumie toleo jipya zaidi la kivinjari chako (au zima Hali ya Upatanifu katika Internet Explorer). Wakati huo huo, ili kuhakikisha usaidizi unaoendelea, tunaonyesha tovuti bila mtindo au JavaScript.
Mojawapo ya utumizi unaotia matumaini wa kujifunza kwa mashine katika fizikia ya kukokotoa ni utatuzi wa kasi wa milinganyo ya sehemu tofauti (PDEs). Lengo kuu la kitatuzi cha milinganyo ya sehemu inayotegemea kujifunza kwa mashine ni kutoa masuluhisho ambayo ni sahihi kwa haraka vya kutosha kuliko mbinu za kawaida za nambari ili kutumika kama ulinganisho wa msingi. Kwanza tunafanya ukaguzi wa kimfumo wa fasihi ya mashine ya kujifunza juu ya kutatua milinganyo ya sehemu tofauti. Kati ya karatasi zote zinazoripoti matumizi ya ML kutatua milinganyo ya utofauti wa majimaji na kudai ubora juu ya mbinu za kawaida za nambari, tulitambua 79% (60/76) ikilinganishwa na misingi dhaifu. Pili, tulipata ushahidi wa upendeleo ulioenea wa kuripoti, haswa katika kuripoti matokeo na upendeleo wa uchapishaji. Tunahitimisha kuwa utafiti wa kujifunza kwa mashine kuhusu kutatua milinganyo ya sehemu tofauti una matumaini kupita kiasi: data dhaifu ya ingizo inaweza kusababisha matokeo chanya kupita kiasi, na upendeleo wa kuripoti unaweza kusababisha kuripotiwa kwa matokeo hasi. Kwa sehemu kubwa, matatizo haya yanaonekana kusababishwa na sababu zinazofanana na migogoro ya awali ya uzazi: busara ya mpelelezi na upendeleo wa matokeo mazuri. Tunatoa wito wa mabadiliko ya kitamaduni kutoka chini kwenda juu ili kupunguza utoaji wa taarifa zenye upendeleo na mageuzi ya kimuundo kutoka juu chini ili kupunguza vishawishi potovu vya kufanya hivyo.
Orodha ya waandishi na makala yanayotokana na ukaguzi wa kimfumo, pamoja na uainishaji wa kila makala katika sampuli nasibu, inapatikana kwa umma katika https://doi.org/10.17605/OSF.IO/GQ5B3 (rejelea 124).
Nambari ya kuthibitisha inayohitajika ili kutoa matokeo katika Jedwali la 2 inaweza kupatikana kwenye GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (rejelea 125) na kwenye Codeo Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (kiungo 126) na https://codeocean.com/capsule/0799002/tree/v1 (kiungo 127).
Randall, D., na Welser, K., Mgogoro wa Kutozaliana katika Sayansi ya Kisasa: Sababu, Matokeo, na Njia za Marekebisho (Chama cha Kitaifa cha Wanasayansi, 2018).
Ritchie, S. Sayansi ya Kubuniwa: Jinsi Ulaghai, Upendeleo, Kimya, na Hype Hudhoofisha Utafutaji wa Ukweli (Vintage, 2020).
Fungua ushirikiano wa kisayansi. Tathmini ya kuzaliana katika sayansi ya kisaikolojia. Sayansi 349, AAAC4716 (2015).
Prinz, F., Schlange, T., na Asadullah, K. Amini usiamini: Je, ni kwa kiasi gani tunaweza kutegemea data iliyochapishwa kuhusu malengo ya madawa ya kulevya? Nat. Kasisi "Ugunduzi wa Dawa za Kulevya." 10, 712 (2011).
Begley, KG na Ellis, LM Kuongeza viwango katika utafiti wa saratani ya mapema. Nature 483, 531–533 (2012).
A. Gelman na E. Loken, Bustani ya Njia za Kuchanganya: Kwa Nini Ulinganisho Nyingi ni Tatizo Hata Bila "Safari za Uvuvi" au "p-hacks" na Hypotheses za Utafiti Zilizoandaliwa, juz. 348, 1–17 (Idara ya Takwimu, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., na Shi, D. Kujifunza kwa mashine katika kutafuta fizikia mpya ya kimsingi. Nat. Daktari wa Falsafa katika Fizikia. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM na Ahsan MJ. Kujifunza kwa mashine katika ugunduzi wa dawa: hakiki. Atif. Intel. Mh. 55, 1947–1999 (2022).
Mather, AS na Coote, ML Kujifunza kwa kina katika kemia. J.Kemia. arifu. Mfano. 59, 2545–2559 (2019).
Rajkomar A., Dean J. na Kohan I. Kujifunza kwa mashine katika dawa. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. na Kujifunza kwa Mashine ya Stewart BM katika sayansi ya kijamii: mbinu ya utambuzi. Mchungaji Ann Ball. sayansi. 24, 395–419 (2021).
Rukia, J. et al. Fanya ubashiri sahihi wa muundo wa protini kwa kutumia alfafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., na Gil, Y. Vyanzo vya kutozalisha tena katika kujifunza kwa mashine: Maoni. Chapisho la awali linapatikana katika https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., na Rahimi, A. Winner's laana? Juu ya kasi, maendeleo na ukali wa ushahidi wa majaribio (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., na Zobel, J. Maboresho yasiyo ya nyongeza: matokeo ya awali ya utafutaji tangu 1998. Mkutano wa 18 wa ACM kuhusu Usimamizi wa Taarifa na Maarifa 601–610 (ACM 2009).
Kapoor, S. na Narayanan, A. Migogoro ya uvujaji na uzalishaji tena katika sayansi inayotegemea kujifunza kwa mashine. Sampuli, 4, 100804 (2023).
Kapoor S. et al. Marekebisho: viwango vya kuripoti vya kisayansi kulingana na ujifunzaji wa mashine. Chapisho la awali linapatikana katika https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., na Recht, B. Ulinganisho usio na maana unaweza kusababisha matumaini ya uongo katika kujifunza mashine ya matibabu. PloS ONE 12, e0184604 (2017).
Roberts, M., na wengine. Mitego ya kawaida na mbinu bora za kutumia kujifunza kwa mashine ili kugundua na kutabiri COVID-19 kutoka kwa eksirei ya kifua na tomografia ya kompyuta. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Miundo ya ubashiri ya utambuzi na ubashiri wa COVID-19: ukaguzi wa kimfumo na tathmini muhimu. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS na Pollard KS Kushinda mitego ya kutumia kujifunza kwa mashine katika genomics. Nat. Mchungaji Ginette. 23, 169–181 (2022).
Atris N. et al. Mbinu bora za kujifunza kwa mashine katika kemia. Nat. Kemikali. 13, 505–508 (2021).
Brunton SL na Kutz JN Maelekezo ya kuahidi ya kujifunza kwa mashine ya milinganyo ya sehemu tofauti. Nat. hesabu. sayansi. 4, 483–494 (2024).
Vinuesa, R. na Brunton, SL Kuboresha mienendo ya maji ya kukokotoa kupitia kujifunza kwa mashine. Nat. hesabu. sayansi. 2, 358–366 (2022).
Comeau, S. et al. Kujifunza kwa mashine ya kisayansi na mitandao ya neva iliyoarifiwa: Tulipo sasa na nini kitafuata. J. Sayansi. hesabu. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., na Xiao, H. Uundaji wa Turbulence katika enzi ya data. Toleo lililorekebishwa la Ann. 51, 357–377 (2019).
Durran, DR Mbinu za Nambari za kutatua milinganyo ya mawimbi katika hydrodynamics ya kijiofizikia, juz. 32 (Springer, 2013).
Mishra, S. Mfumo wa kujifunza kwa mashine wa kuharakisha ukokotoaji unaoendeshwa na data wa milinganyo tofauti. hisabati. mhandisi. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Kujifunza kwa mashine - kuongeza kasi ya mienendo ya maji ya computational. mchakato. Chuo cha Taifa cha Sayansi. sayansi. US 118, e2101784118 (2021).
Kadapa, K. Kujifunza kwa mashine kwa sayansi ya kompyuta na uhandisi - utangulizi mfupi na maswala kadhaa muhimu. Chapisho la awali linapatikana katika https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., na Zanna, L. Uchanganuzi linganishi wa uwekaji vipimo vya gridi ndogo ya bahari ya kujifunza mashine katika miundo bora. J.Adv. Mfano. mfumo wa ardhi. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., na Brandstetter, J. PDE uboreshaji: kufikia extrusions sahihi ya muda mrefu na solver PDE ya neva. Mkutano wa 37 wa Mifumo ya Uchakataji wa Taarifa za Neural (NeurIPS 2023).
Frachas, PR et al. Algorithm ya uenezaji nyuma na hesabu ya hifadhi katika mitandao ya kawaida ya neva kwa kutabiri mienendo changamano ya anga. mtandao wa neva. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. na Karniadakis, Fizikia ya GE, sayansi ya kompyuta, mitandao ya neva: mfumo wa kina wa kujifunza kwa ajili ya kutatua matatizo ya mbele na kinyume yanayohusisha milinganyo isiyo ya mstari isiyo ya mstari. J. Kompyuta. fizikia. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., na Schönlieb, K.-B. Mitandao ya neural inayotegemea fizikia inaweza kupita njia zenye kikomo cha kipengele? IMA J. Maombi. hisabati. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., na Gómez-Romero, J. Mitandao ya neva inayotokana na Fizikia kwa uundaji unaoendeshwa na data: faida, mapungufu, na fursa. fizikia. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Ripoti ya majaribio juu ya mitandao ya neva inayotegemea fizikia katika uundaji wa majimaji: mitego na masikitiko. Chapisho la awali linapatikana katika https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. na Barba, LA Vizuizi vya ubashiri vya mitandao ya neural iliyoarifiwa juu ya uundaji wa vortex. Chapisho la awali linapatikana katika https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., na Perdikaris, P. Ni lini na kwa nini pini zinashindwa kutoa mafunzo: Mtazamo wa kiini cha neural tangent. J. Kompyuta. fizikia. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., na Mahoney, MW Sifa za hali zinazowezekana za kutofaulu katika taarifa za kimwili za mitandao ya neural. Mkutano wa 35 wa Mifumo ya Uchakataji wa Taarifa za Neural Vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. na Senokak, I. Utafiti muhimu wa hali za kutofaulu katika mitandao ya neva inayotegemea fizikia. Katika AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. na Koumoutsakos P. Kutatua matatizo ya kimwili kinyume kwa kuboresha hasara za kipekee: kujifunza kwa haraka na kwa usahihi bila mitandao ya neva. mchakato. Chuo cha Taifa cha Sayansi. sayansi. Nexus 3, pgae005 (2024).
Gundersen OE Kanuni za msingi za kuzaliana. Phil.msalaba. R. Shuker. A 379, 20200210 (2021).
Aromataris E na Pearson A. Mapitio ya utaratibu: muhtasari. Ndiyo. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, na Rohde, K. Mitandao ya neva inayofahamu Vikwazo kwa tatizo la Riemann. J. Kompyuta. fizikia. 409, 109345 (2020).
Bezgin DA, Schmidt SJ na Adams NA Saketi ya ujazo yenye ukomo wa data inayoendeshwa na data kwa mishtuko isiyo ya kawaida iliyopunguzwa ya voltage. J. Kompyuta. fizikia. 437, 110324 (2021).
Muda wa kutuma: Sep-29-2024