Nature.com saytiga tashrif buyurganingiz uchun tashakkur. Siz foydalanayotgan brauzer versiyasi cheklangan CSS-ni qo'llab-quvvatlaydi. Eng yaxshi natijalarga erishish uchun brauzeringizning yangiroq versiyasidan foydalanishni tavsiya qilamiz (yoki Internet Explorer-da Moslik rejimini o'chirib qo'ying). Ayni paytda, doimiy qo'llab-quvvatlashni ta'minlash uchun biz saytni uslubsiz yoki JavaScriptsiz ko'rsatmoqdamiz.
Hisoblash fizikasida mashinani o'rganishning eng istiqbolli ilovalaridan biri qisman differentsial tenglamalarni (PDE) tezlashtirilgan hal qilishdir. Mashinani o'rganishga asoslangan qisman differensial tenglamalarni yechish vositasining asosiy maqsadi - asosiy taqqoslash sifatida xizmat qilish uchun standart raqamli usullarga qaraganda tezroq aniqroq echimlarni ishlab chiqarishdir. Biz birinchi navbatda qisman differentsial tenglamalarni echish bo'yicha mashinani o'rganish bo'yicha adabiyotlarni tizimli ko'rib chiqamiz. Suyuqlikning qisman differentsial tenglamalarini echish uchun ML dan foydalanish haqida xabar beradigan va standart raqamli usullardan ustunligini da'vo qiladigan barcha maqolalardan biz zaif bazalarga nisbatan 79% (60/76) ni aniqladik. Ikkinchidan, biz hisobot berishda, xususan, natijalar haqida hisobot berishda va nashr etishda tarafkashlik haqida keng tarqalgan dalillarni topdik. Qisman differensial tenglamalarni echish bo'yicha mashinani o'rganish bo'yicha tadqiqotlar o'ta optimistik degan xulosaga keldik: zaif kiritilgan ma'lumotlar haddan tashqari ijobiy natijalarga olib kelishi mumkin va hisobotning noto'g'riligi salbiy natijalar haqida kam hisobot berishga olib kelishi mumkin. Ko'pincha, bu muammolar o'tmishdagi takrorlanuvchanlik inqirozlariga o'xshash omillar tufayli yuzaga kelgan ko'rinadi: tergovchining ixtiyori va ijobiy natijaga moyilligi. Biz noxolis hisobotlarni minimallashtirish uchun pastdan yuqoriga madaniy o'zgarishlarni va buning uchun noto'g'ri rag'batlarni kamaytirish uchun yuqoridan pastga tuzilmaviy islohotlarni chaqiramiz.
Tizimli ko‘rib chiqish natijasida yaratilgan mualliflar va maqolalar ro‘yxati, shuningdek, tasodifiy tanlovdagi har bir maqolaning tasnifi https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124) saytida hamma uchun ochiq.
2-jadvaldagi natijalarni takrorlash uchun zarur bo'lgan kodni GitHub-da topish mumkin: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) va Code Ocean'da: https://codeocean.com/capsule/9605539/Tree/ v1 (havola) va https://codeocean.com/capsule/0799002/tree/v1 (havola 127).
Randall, D. va Welser, K., The Irreproducibility Crisis in Zamonaviy ilm-fan: sabablari, oqibatlari va islohotlar yo'llari (Olimlar milliy assotsiatsiyasi, 2018).
Ritchi, S. Ilmiy fantastika: Qanday qilib firibgarlik, tarafkashlik, sukunat va shov-shuv haqiqatni qidirishga putur etkazadi (Vintage, 2020).
Ochiq ilmiy hamkorlik. Psixologiya fanida takrorlanuvchanlikni baholash. Fan 349, AAAC4716 (2015).
Prinz, F., Schlange, T. va Asadulla, K. Ishonasizmi yoki ishonmaysizmi: Potentsial dori maqsadlari bo'yicha chop etilgan ma'lumotlarga qanchalik tayanishimiz mumkin? Nat. Rev. "Giyohvand moddalarning kashfiyoti". 10, 712 (2011).
Begley, KG va Ellis, LM. Preklinik saraton tadqiqotlarida standartlarni oshirish. Tabiat 483, 531–533 (2012).
A. Gelman va E. Loken, “Yoʻllarni kesishgan bogʻi: “Baliq ovlash ekspeditsiyalari” yoki “p-hacklar” va oldindan tuzilgan tadqiqot gipotezalarisiz ham bir nechta taqqoslashlar muammodir, jild. 348, 1-17 (Statistika departamenti, 2013 yil).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. va Shi, D. Yangi fundamental fizikani izlashda mashinani o'rganish. Nat. Fizika fanlari doktori. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM va Ahsan MJ. Dori-darmonlarni kashf qilishda mashinani o'rganish: sharh. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS va Coote, ML Kimyo bo'yicha chuqur o'rganish. J.Kimyo. xabar bering. Model. 59, 2545–2559 (2019).
Rajkomar A., Dekan J. va Kohan I. Tibbiyotda mashinani o'rganish. Nyu-England tibbiyot jurnali. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. va Styuart BM Ijtimoiy fanlarda mashinani o'rganish: agnostik yondashuv. Ruhoniy Enn Ball. fan. 24, 395–419 (2021).
O'tish, J. va boshqalar. Alfafold yordamida yuqori aniqlikdagi protein tuzilishini bashorat qiling. Tabiat 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. va Gil, Y. Mashinani o'rganishda takrorlanmaslik manbalari: sharh. Oldindan chop etish https://arxiv.org/abs/2204.07610 (2022) manzilida mavjud.
Scully, D., Snook, J., Wiltschko, A. va Rahimi, A. Winner la'nati? Empirik dalillarning tezligi, rivojlanishi va qat'iyligi haqida (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. va Zobel, Non-additive improvements: 1998 yildan beri dastlabki qidiruv natijalari. ACM 18th Conference on Information and Knowledge Management 601–610 (ACM 2009).
Kapur, S. va Narayanan, A. Mashina o'rganishga asoslangan fanda oqish va takrorlanuvchanlik inqirozlari. Naqshlar, 4, 100804 (2023).
Kapur S. va boshqalar. Islohot: mashinani o'rganishga asoslangan ilmiy hisobot standartlari. Oldindan chop etish https://arxiv.org/abs/2308.07832 (2023) manzilida mavjud.
DeMasi, O., Kording, C. va Recht, B. Ma'nosiz taqqoslashlar tibbiy mashinani o'rganishda noto'g'ri optimizmga olib kelishi mumkin. PloS ONE 12, e0184604 (2017).
Roberts, M. va boshqalar. Ko'krak qafasi rentgenogrammasi va kompyuter tomografiyasidan COVID-19 ni aniqlash va bashorat qilish uchun mashinani o'rganishdan foydalanish bo'yicha umumiy xatolar va eng yaxshi amaliyotlar. Nat. Maks. Intel. 3, 199–217 (2021).
Winantz L. va boshqalar. COVID-19 tashxisi va prognozi uchun bashoratli modellar: tizimli ko'rib chiqish va tanqidiy baholash. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS va Pollard KS Genomikada mashinani o'rganishdan foydalanishning tuzoqlarini engish. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. va boshqalar. Kimyoda mashinani o'rganish bo'yicha eng yaxshi amaliyotlar. Nat. Kimyoviy. 13, 505–508 (2021).
Brunton SL va Kutz JN. Qisman differentsial tenglamalarni mashina o'rganish uchun istiqbolli yo'nalishlar. Nat. hisoblash. fan. 4, 483–494 (2024).
Vinuesa, R. va Brunton, SL. Mashinani o'rganish orqali hisoblash suyuqlik dinamikasini yaxshilash. Nat. hisoblash. fan. 2, 358–366 (2022).
Comeau, S. va boshqalar. Jismoniy ma'lumotga ega neyron tarmoqlar bilan ilmiy mashinani o'rganish: biz hozir qayerdamiz va keyingi nima. J. Fan. hisoblash. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. va Xiao, H. Ma'lumotlar davrida turbulentlikni modellashtirish. Annning qayta ko'rib chiqilgan nashri. 51, 357–377 (2019).
Durran, DR. Geofizik gidrodinamikada to'lqin tenglamalarini yechishning raqamli usullari, jild. 32 (Springer, 2013).
Mishra, S. Differensial tenglamalarni ma'lumotlarga asoslangan hisoblashni tezlashtirish uchun mashinani o'rganish tizimi. matematika. muhandis. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. va boshqalar. Mashinani o'rganish - hisoblash suyuqlik dinamikasini tezlashtirish. jarayon. Milliy fanlar akademiyasi. fan. AQSh 118, e2101784118 (2021).
Kadapa, K. Informatika va muhandislik uchun mashinani o'rganish - qisqacha kirish va ba'zi asosiy masalalar. Oldindan chop etish https://arxiv.org/abs/2112.12054 (2021) manzilida mavjud.
Ross, A., Li, Z., Perejogin, P., Fernandez-Granda, C. va Zanna, L. Ideallashtirilgan modellarda mashinani o'rganish okean subgrid parametrlarini qiyosiy tahlil qilish. J.Adv. Model. yer tizimi. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. va Brandstetter, J. PDE takomillashtirish: neyron PDE hal qiluvchi bilan aniq uzoq ekstruziyalarga erishish. Neyron axborotni qayta ishlash tizimlari bo'yicha 37-konferentsiya (NeurIPS 2023).
Frachas, PR va boshqalar. Murakkab fazoviy-vaqt dinamikasini bashorat qilish uchun takroriy neyron tarmoqlarda orqaga tarqalish algoritmi va rezervuarni hisoblash. neyron tarmoq. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. va Karniadakis, GE Fizika, informatika, neyron tarmoqlari: chiziqli bo'lmagan qisman differentsial tenglamalarni o'z ichiga olgan oldinga va teskari muammolarni hal qilish uchun chuqur o'rganish tizimi. J. Kompyuter. fizika. 378, 686–707 (2019).
Grossmann, TG, Komorovska, UJ, Lutz, J. va Schönlieb, K.-B. Fizikaga asoslangan neyron tarmoqlar chekli elementlar usullaridan ustun bo'lishi mumkinmi? IMA J. Ilovalar. matematika. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M. va Gómez-Romero, J. Ma'lumotlarga asoslangan modellashtirish uchun fizikaga asoslangan neyron tarmoqlar: afzalliklar, cheklovlar va imkoniyatlar. fizika. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA. Suyuqlikni modellashtirishda fizikaga asoslangan neyron tarmoqlar bo'yicha empirik hisobot: tuzoqlar va umidsizliklar. Oldindan chop etish https://arxiv.org/abs/2205.14249 (2022) manzilida mavjud.
Zhuang, P.-Y. va Barba, LA Jismoniy ma'lumotga ega bo'lgan neyron tarmoqlarning girdob shakllanishi bo'yicha bashoratli cheklovlari. Oldindan chop etish https://arxiv.org/abs/2306.00230 (2023) manzilida mavjud.
Vang, S., Yu, H. va Perdikaris, P. Qachon va nima uchun pinlar mashq qila olmaydi: Neyron tangens yadrosi istiqboli. J. Kompyuter. fizika. 449, 110768 (2022 yil).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. va Mahoney, MW Jismoniy axborot neyron tarmoqlarida mumkin bo'lgan nosozlik rejimlarining xususiyatlari. Neyron axborotni qayta ishlash tizimlari bo'yicha 35-konferentsiya Vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. va Senokak, I. Fizikaga asoslangan neyron tarmoqlarda muvaffaqiyatsizlik rejimlarini tanqidiy o'rganish. AiAA SCITECH 2022 forumida 2353 (ARK, 2022).
Karnakov P., Litvinov S. va Koumoutsakos P. Diskret yo'qotishlarni optimallashtirish orqali jismoniy teskari muammolarni hal qilish: neyron tarmoqlarsiz tez va aniq o'rganish. jarayon. Milliy fanlar akademiyasi. fan. Nexus 3, pgae005 (2024).
Gundersen OE Qayta ishlab chiqarishning asosiy tamoyillari. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E va Pearson A. Tizimli sharhlar: umumiy ko'rinish. Ha. J. Hemşirelik 114, 53-58 (2014).
Magiera, J., Rey, D., Hesthaven, JS va Rohde, K. Riemann muammosi uchun cheklovlarni biladigan neyron tarmoqlari. J. Kompyuter. fizika. 409, 109345 (2020 yil).
Bezgin DA, Shmidt SJ va Adams NA Klassik bo'lmagan pasaytirilgan kuchlanish zarbalari uchun ma'lumotlarga asoslangan jismoniy ma'lumotli cheklangan hajm davri. J. Kompyuter. fizika. 437, 110324 (2021 yil).
Xabar vaqti: 29-sentyabr, 2024-yil