ئاجىز ئاساسىي ئۆلچەم ۋە دوكلاتتىكى بىر تەرەپلىمە قاراش سۇيۇقلۇققا مۇناسىۋەتلىك قىسمەن پەرقلىق تەڭلىمىلەرنى ماشىنا ئۆگىنىشىدە زىيادە ئۈمىدۋارلىقنى كەلتۈرۈپ چىقىرىدۇ.

Nature.com نى زىيارەت قىلغىنىڭىزغا رەھمەت. سىز ئىشلىتىۋاتقان توركۆرگۈنىڭ نەشرىدە CSS قوللىشى چەكلىك. ئەڭ ياخشى ئۈنۈمگە ئېرىشىش ئۈچۈن تور كۆرگۈچىڭىزنىڭ يېڭى نەشرىنى ئىشلىتىشىڭىزنى تەۋسىيە قىلىمىز (ياكى Internet Explorer دىكى ماسلىشىش ھالىتىنى چەكلەڭ). بۇ جەرياندا ، داۋاملىق قوللاشقا كاپالەتلىك قىلىش ئۈچۈن ، بىز ئۇسلۇب ياكى JavaScript ئىشلەتمەي تور بېكەتنى كۆرسىتىۋاتىمىز.
ھېسابلاش فىزىكىسىدىكى ماشىنا ئۆگىنىشنىڭ ئەڭ ئىستىقباللىق قوللىنىشچان پروگراممىلىرىنىڭ بىرى ، قىسمەن پەرقلىق تەڭلىمىلەر (PDEs) نىڭ تېز ھەل قىلىنىشى. ماشىنا ئۆگىنىشنى ئاساس قىلغان قىسمەن پەرقلىق تەڭلىمە ھەل قىلغۇچنىڭ ئاساسلىق مەقسىتى ئۆلچەملىك سان ئۇسۇلىغا قارىغاندا يېتەرلىك تېز بولغان ھەل قىلىش لايىھىسىنى ھاسىل قىلىش بولۇپ ، ئاساسىي سېلىشتۇرۇش رولىنى ئوينايدۇ. بىز ئالدى بىلەن ماشىنا ئۆگىنىش ئەدەبىياتىنى قىسمەن پەرقلىق تەڭلىمىلەرنى ھەل قىلىش توغرىسىدا سىستېمىلىق تەكشۈرۈش ئېلىپ بارىمىز. ML نىڭ سۇيۇقلۇق قىسمەن پەرقلىق تەڭلىمىنى ھەل قىلىش ۋە ئۆلچەملىك سان ئۇسۇلىدىن ئۈستۈنلۈكنى تەلەپ قىلىدىغان بارلىق دوكلاتلارنىڭ ئىچىدە ، بىز ئاجىز ئاساسىي ئۆلچەملەرگە سېلىشتۇرغاندا% 79 (60/76) نى ئېنىقلىدۇق. ئىككىنچىدىن ، دوكلاتنىڭ بىر تەرەپلىمە قارىشىنىڭ پاكىتلىرىنى بايقىدۇق ، بولۇپمۇ نەتىجىنى دوكلات قىلىش ۋە ئېلان قىلىش تەرەپلىمىلىكى. بىز خۇلاسە چىقىرىمىزكى ، قىسمەن پەرقلىق تەڭلىمىلەرنى ھەل قىلىشتىكى ماشىنا ئۆگىنىش تەتقىقاتى ھەددىدىن زىيادە ئۈمىدۋار: كىرگۈزۈش سانلىق مەلۇماتلىرى ھەددىدىن زىيادە ئاكتىپ نەتىجىنى كەلتۈرۈپ چىقىرىدۇ ، بىر تەرەپلىمە قاراش سەلبىي نەتىجىنىڭ تۆۋەن دوكلات قىلىنىشىنى كەلتۈرۈپ چىقىرىدۇ. كۆپىنچە ھاللاردا بۇ مەسىلىلەر ئىلگىرىكى كۆپىيىش كرىزىسىغا ئوخشاش ئامىللار كەلتۈرۈپ چىقارغاندەك قىلىدۇ: تەكشۈرگۈچىلەرنىڭ ئىختىيارى ۋە ئاكتىپ نەتىجىگە مايىل. بىز تۆۋەندىن يۇقىرى مەدەنىيەت ئۆزگىرىشىنى بىر تەرەپلىمە دوكلات قىلىش ۋە يۇقىرىدىن تۆۋەن قۇرۇلمىلىق ئىسلاھاتنى ئەڭ تۆۋەن چەككە چۈشۈرۈشكە چاقىرىمىز.
سىستېمىلىق تەكشۈرۈش ئارقىلىق بارلىققا كەلگەن ئاپتور ۋە ماقالىلەرنىڭ تىزىملىكى ، شۇنداقلا ھەر بىر ماقالىنىڭ ئىختىيارى ئەۋرىشكىدىكى تۈرگە ئايلىنىشى https://doi.org/10.17605/OSF.IO/GQ5B3 (124-بەت).
2-جەدۋەلدىكى نەتىجىنى كۆپەيتىش ئۈچۈن كېرەكلىك كودنى GitHub دىن تاپقىلى بولىدۇ: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (125-بەت) ۋە كود ئوكياندا: https://codeocean.com/capsule/9605539/Tree/ v1 (ئۇلىنىش 126) ۋە https://codeocean.com/capsule/0799002/tree/v1 (ئۇلىنىش 127).
Randall, D., and Welser, K., The Irreproducibility Crisis in Modern Science: Causes, Consequences, and Pathways for Reform (National Scientists Association, 2018).
رىچچى ، س. ئىلمىي فانتازىيىلىك ھېكايە: ئالدامچىلىق ، بىر تەرەپلىمە قاراش ، جىمجىتلىق ۋە ھايپ ھەقىقەتنى ئىزدەشكە قانداق بۇزغۇنچىلىق قىلىدۇ (Vintage, 2020).
ئوچۇق ئىلمىي ھەمكارلىق. پىسخىكا ئىلمىدىكى كۆپىيىشچانلىقىنى باھالاش. ئىلىم 349 ، AAAC4716 (2015).
پرىنز ، ف. Nat. پوپ «زەھەرلىك چېكىملىكنىڭ بايقىلىشى». 10, 712 (2011).
بېگلېي ، KG ۋە ئېلىس ، LM دەسلەپكى راك تەتقىقاتىدا ئۆلچەم ئۆستۈرۈش. تەبىئەت 483 ، 531–533 (2012).
ئا.گېلمان ۋە ئې.لوكېن ، شاخلىتىپ سېتىش يولى باغچىسى: نېمە ئۈچۈن كۆپ سېلىشتۇرۇش «بېلىق تۇتۇش ئېكىسپېدىتسىيەسى» ياكى «p- خاككېرلار» ۋە ئالدىن تەييارلانغان تەتقىقات پەرەزلىرى بولمىسىمۇ مەسىلە. 348 ، 1–17 (ستاتىستىكا بۆلۈمى ، 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., and Shi, D. Machine learning new new physics. Nat. فىزىكا پەنلىرى دوكتورى. 4 ، 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM ۋە Ahsan MJ. دورا بايقاشتىكى ماشىنا ئۆگىنىشى: تەكشۈرۈش. Atif. Intel. Ed. 55 ، 1947–1999 (2022).
ماتېر ، AS ۋە Coote ، ML خىمىيىلىك چوڭقۇر ئۆگىنىش. J.Chemistry. ئۇقتۇرۇش قىلىڭ. Model. 59 ، 2545–2559 (2019).
راجكومار ئا ، دىئان ج. ۋە كوخان I. مېدىتسىنادا ئۆگىنىش. New England Journal of Medicine. 380 ، 1347–1358 (2019).
Grimmer J, Roberts ME. ۋە Stewart BM ماشىنىسىنىڭ ئىجتىمائىي پەنلەردە ئۆگىنىشى: ئاگنوتىك ئۇسۇل. Rev. Ann Ball. ئىلىم. 24 ، 395–419 (2021).
Jump, J. et al. ئالففولد ئارقىلىق يۇقىرى ئېنىقلىقتىكى ئاقسىل قۇرۇلمىسىنى ئالدىن پەرەز قىلىڭ. تەبىئەت 596 ، 583 - 589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., and Gil, Y. ماشىنا ئۆگىنىشتىكى ئەسلىگە كەلتۈرگىلى بولمايدىغان مەنبە: بىر ئوبزور. Https://arxiv.org/abs/2204.07610 (2022) دىن پايدىلانغىلى بولىدۇ.
Scully, D., Snook, J., Wiltschko, A., and Rahimi, A. Winner نىڭ قارغىشى؟ تەجرىبە دەلىللىرىنىڭ سۈرئىتى ، ئىلگىرىلىشى ۋە قاتتىقلىقى توغرىسىدا (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., and Zobel, J. Non-additive enhancements: دەسلەپكى ئىزدەش نەتىجىسى 1998-يىلدىن باشلاپ. 18-نۆۋەتلىك ACM ئۇچۇر ۋە بىلىم باشقۇرۇش يىغىنى 601-610 (ACM 2009).
كاپور ، س ۋە نارايانان ، A. ماشىنا ئۆگىنىشنى ئاساس قىلغان ئىلىم-پەندە ئېقىپ كېتىش ۋە كۆپىيىش كرىزىسى. Patterns, 4, 100804 (2023).
كاپور س. ئىسلاھات: ماشىنا ئۆگىنىشنى ئاساس قىلغان ئىلمىي دوكلات ئۆلچىمى. Https://arxiv.org/abs/2308.07832 (2023) دا بار.
DeMasi, O., Cording, C. ۋە Recht, B. مەنىسىز سېلىشتۇرۇش داۋالاش ماشىنىسى ئۆگىنىشىدە يالغان ئۈمىدۋارلىقنى كەلتۈرۈپ چىقىرىدۇ. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. كۆكرەك رېنتىگېن نۇرى ۋە ھېسابلانغان توم ография دىن COVID-19 نى بايقاش ۋە ئالدىن پەرەز قىلىش ئۈچۈن ماشىنا ئۆگىنىشنى ئىشلىتىشتىكى كۆپ ئۇچرايدىغان توزاقلار ۋە ئەڭ ياخشى ئۇسۇللار. Nat. Max. Intel. 3 ، 199–217 (2021).
Winantz L. قاتارلىقلار. COVID-19 غا دىئاگنوز قويۇش ۋە ئالدىن پەرەز قىلىشنىڭ ئالدىن مودېللىرى: سىستېمىلىق تەكشۈرۈش ۋە تەنقىدىي باھالاش. BMJ 369 ، m1328 (2020).
Whalen S., Schreiber J., Noble WS ۋە Pollard KS ماشىنا تەتقىقاتىنى گېنولوگىيەدە ئىشلىتىشنىڭ يوچۇقلىرىنى يېڭىش. Nat. Pastor Ginette. 23 ، 169–181 (2022).
Atris N. et al. خىمىيىلىك ئۆگىنىشتىكى ئەڭ ياخشى ئۇسۇل. Nat. خىمىيىلىك. 13 ، 505–508 (2021).
Brunton SL ۋە Kutz JN قىسمەن پەرقلىق تەڭلىمىلەرنى ماشىنا ئۆگىنىشىدىكى ئۈمىدلىك يۆنىلىش. Nat. ھېسابلاپ بېقىڭ. ئىلىم. 4 ، 483–494 (2024).
Vinuesa, R. and Brunton, SL ماشىنا ئۆگىنىش ئارقىلىق ھېسابلاش سۇيۇقلۇقىنىڭ ھەرىكەتچانلىقىنى ئاشۇرۇش. Nat. ھېسابلاپ بېقىڭ. ئىلىم. 2 ، 358–366 (2022).
Comeau, S. et al. فىزىكىلىق خەۋەر قىلىنغان نېرۋا تورى بىلەن ئىلمىي ماشىنا ئۆگىنىشى: بىز ھازىر ۋە كېيىنكى ئىشلار. J. Science. ھېسابلاپ بېقىڭ. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. ۋە شياۋ ، H. Turbulence سانلىق مەلۇمات دەۋرىدىكى مودېل. ئەننىڭ تۈزىتىلگەن نۇسخىسى. 51 ، 357–377 (2019).
دۇرران ، DR گېئوفىزىكىلىق گىدرودىنامىكا دولقۇنى تەڭلىمىسىنى ھەل قىلىشنىڭ رەقەملىك ئۇسۇللىرى ، توم. 32 (Springer, 2013).
مىشرا ، S. پەرقلىق تەڭلىمىلەرنىڭ سانلىق مەلۇمات ئارقىلىق ھېسابلىنىشىنى تېزلىتىدىغان ماشىنا ئۆگىنىش رامكىسى. ماتېماتىكا. ئىنژېنېر. https://doi.org/10.3934/Mine.2018.1.118 (2018).
كوچىكوف D. قاتارلىقلار. ماشىنا ئۆگىنىشى - ھېسابلاش سۇيۇقلۇقىنىڭ ھەرىكەتچانلىقىنى تېزلىتىش. جەريان. دۆلەتلىك پەنلەر ئاكادېمىيىسى. ئىلىم. US 118, e2101784118 (2021).
كاداپا ، K. كومپيۇتېر ئىلمى ۋە ئىنژېنېرلىقى ئۈچۈن ماشىنا ئۆگىنىشى - قىسقىچە تونۇشتۇرۇش ۋە بەزى مۇھىم مەسىلىلەر. Https://arxiv.org/abs/2112.12054 (2021) دىن پايدىلانغىلى بولىدۇ.
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., and Zanna, L. Comparative analysis of machine learning Ocean subgrid parameterization in idealized models. J.Adv. Model. يەر سىستېمىسى. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., and Brandstetter, J. PDE پىششىقلاپ ئىشلەش: نېرۋا PDE ئېرىتكۈچى بىلەن توغرا ئۇزۇن چىقىرىشنى ئەمەلگە ئاشۇرۇش. نېرۋا ئۇچۇرلىرىنى بىر تەرەپ قىلىش سىستېمىسىنىڭ 37-قېتىملىق يىغىنى (NeurIPS 2023).
Frachas, PR et al. قايتا-قايتا نېرۋا تورىدا زاپاس بوشلۇق ھېسابلاش ئۇسۇلى ۋە سۇ ئامبىرىنى ھېسابلاش مۇرەككەپ بوشلۇقنىڭ ھەرىكەتچانلىقىنى مۆلچەرلەش ئۈچۈن. نېرۋا تورى. 126 ، 191–217 (2020).
رايىسسى ، م. J. Computer. فىزىكا. 378 ، 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., and Schönlieb, K.-B. فىزىكىنى ئاساس قىلغان نېرۋا تورى چەكلىك ئېلېمېنت ئۇسۇللىرىدىن ئېشىپ كېتەمدۇ؟ IMA J. Applications. ماتېماتىكا. 89 ، 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., and Gómez-Romero, J. فىزىكا ئاساس قىلىنغان نېرۋا تورى سانلىق مەلۇمات قوزغىتىش مودېلى: ئەۋزەللىك ، چەكلىمىلەر ۋە پۇرسەت. فىزىكا. A 610, 128415 (2023).
جۇاڭ ، P.-Y. & Barba, LA سۇيۇق مودېلدىكى فىزىكا ئاساس قىلىنغان نېرۋا تورى توغرىسىدىكى تەجرىبە دوكلاتى: كەمتۈكلۈك ۋە ئۈمىدسىزلىك. Https://arxiv.org/abs/2205.14249 (2022) دىن پايدىلانغىلى بولىدۇ.
جۇاڭ ، P.-Y. ۋە باربا ، LA بوراننىڭ شەكىللىنىشىدىكى فىزىكىلىق خەۋەر قىلىنغان نېرۋا تورىنىڭ ئالدىن پەرەز قىلىش چەكلىمىسى. Https://arxiv.org/abs/2306.00230 (2023) دىن پايدىلانغىلى بولىدۇ.
ۋاڭ ، س. ، يۈ ، ھ. ۋە پېردىكارىس ، P. J. Computer. فىزىكا. 449 ، 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., and Mahoney, MW Characteristics of possible failure modes in physical information neural network. نېرۋا ئۇچۇرلىرىنى بىر تەرەپ قىلىش سىستېمىسىنىڭ 35-قېتىملىق يىغىنى. 34 ، 26548–26560 (NeurIPS 2021).
Basir, S. and Senokak, I. فىزىكا ئاساس قىلىنغان نېرۋا تورىدىكى مەغلۇبىيەت ھالىتىنى ھالقىلىق تەتقىق قىلىش. AiAA SCITECH 2022 مۇنبىرىدە 2353 (ARK ، 2022).
كارناكوۋ پ ، لىتۋىنوف س ۋە كومۇتساكوس P. فىزىكىلىق تەتۈر مەسىلىلەرنى ئېنىق زىياننى ئەلالاشتۇرۇش ئارقىلىق ھەل قىلىش: نېرۋا تورى بولمىسا تېز ۋە توغرا ئۆگىنىش. جەريان. دۆلەتلىك پەنلەر ئاكادېمىيىسى. ئىلىم. Nexus 3, pgae005 (2024).
Gundersen OE كۆپىيىشنىڭ ئاساسلىق پرىنسىپلىرى. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E ۋە Pearson A. سىستېمىلىق باھا: ئومۇمىي چۈشەنچە. ھەئە. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, and Rohde, K. Constraint-know neural network for Riemann problem. J. Computer. فىزىكا. 409 ، 109345 (2020).
Bezgin DA, Schmidt SJ ۋە Adams NA سانلىق مەلۇمات ئارقىلىق كلاسسىك بولمىغان تۆۋەن بېسىملىق توك سوقۇشنىڭ چەكلىك ئۇچۇر توك يولى. J. Computer. فىزىكا. 437 ، 110324 (2021).