Təbiət.com ziyarət etdiyiniz üçün təşəkkür edirəm. İstifadə etdiyiniz brauzerin versiyası məhdud CSS dəstəyi var. Ən yaxşı nəticələr üçün brauzerinizin daha yeni bir versiyasından istifadə etməyinizi məsləhət görürük (və ya Internet Explorer-də uyğunluq rejimini deaktivlik rejimində). Bu vaxt, davam edən dəstəyi təmin etmək üçün saytı styling və ya javascript olmadan göstəririk.
Hesablama fizikasında maşın öyrənməsinin ən perspektivli tətbiqlərindən biri qismən diferensial tənliklərin (pdes) sürətləndirilmiş həllidir. Bir maşının öyrənmə əsaslı qismən diferensial tənlik həllinin əsas məqsədi, əsas müqayisə kimi xidmət etmək üçün standart ədədi metodlardan daha sürətli dəqiq olan həllər hazırlamaqdır. Əvvəlcə qismən diferensial tənliklərin həllində dəzgah öyrənmə ədəbiyyatının sistemli bir araşdırması aparırıq. MLLID qismən diferensial tənlikləri həll etmək və standart ədədi metodlar üzərində üstünlüyü tələb etmək üçün ML-nin istifadəsini bildirən bütün sənədlərin, zəif əsas metodlarla müqayisədə 79% (60/76) müəyyənləşdirdik. İkincisi, xüsusən nəticə hesabatında və nəşr olunan qərəzlərdə geniş yayılmış hesabat vermə dəlillərini tapdıq. Qismən diferensial tənliklərin həlli ilə bağlı dəzgah tədqiqatının öyrənilməsi həddən artıq nikbindir: zəif giriş məlumatları həddən artıq müsbət nəticələrə səbəb ola bilər və qərəz barədə mənfi nəticələrin verilməsinə səbəb ola bilər. Böyük bir hissədə, bu problemlərin keçmiş reprodukless böhranlarına bənzər amillər səbəb olduğu görünür: Müstəntiqin istəyi və müsbət nəticə qərəzləri. Bunu etmək üçün pozğun stimulları azaltmaq üçün qərəzli hesabat və yuxarıdan aşağı struktur islahatı minimuma endirmək üçün aşağıdan yuxarıya doğru bir mədəni dəyişikliyə çağırırıq.
Sistemli baxış, habelə təsadüfi nümunənin təsnifatı ilə yaradılan müəlliflərin və məqalələrin siyahısı, https://doi.org/10.17605/osf.io/gq5b3 (ref. 124) da ictimailəşdirilir.
Cədvəl 2-də nəticələrini çoxaltmaq üçün lazım olan kod Github-da tapıla bilər: https://github.com/nickmcgreivy/weakbaselinesmpde/ (ref. 125) və kod okeanında: https://codeocean.com/capsul/96055539/ Ağac / v1 (link 126) və https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Randall, D. və Welser, K., Müasir elmdəki yanacaqsızlıq böhranı: Səbəblər, nəticələri və islahatlar üçün yol yolları (Elm adamları, 2018).
Ritchie, S. Elmi fantastika: necə fırıldaqçılıq, qərəz, səssizlik və şırınga həqiqət axtarışını pozur (Vintage, 2020).
Açıq elmi əməkdaşlıq. Psixoloji elmdə reprodukless qiymətləndirməsi. Elm 349, AAAC4716 (2015).
Prinz, F., Schlange, T. və Əsədullah, K. İnanın və ya etməyin: Potensial dərman hədəfləri haqqında yayımlanan məlumatlara nə qədər etibar edə bilərik? Nat. Rev. "Narkotiklərin kəşfi." 10, 712 (2011).
Begley, kq və Ellis, əvvəlcədən xərçəngi araşdırmalarında LM artırılması standartları. Təbiət 483, 531-533 (2012).
A. Gelman və E. Loken, forking yolların bağçası: niyə çox müqayisə "balıq ovu ekspedisiyaları" və ya "p-hacks" və preformasiya edilmiş tədqiqat fərziyyələri olmadan bir problemdir. 348, 1-17 (Statistika şöbəsi, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. və Şi, D. yeni fundamental fizika axtarışında maşın öyrənmə. Nat. Fizikadakı fəlsəfə doktoru. 4, 399-412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM və Ahsan MJ. Narkotik kəşfində maşın öyrənmə: bir baxış. Atif. Intel. Ed. 55, 1947-1999 (2022).
Mather, AS və Coote, Kimya-da dərin öyrənmə. J.Kimistr. Bildirmək. Model. 59, 2545-2559 (2019).
Rajkomar A., Dean J. və Kohan I. Tibbdə daşınan maşın. Yeni İngiltərə Tibb Jurnalı. 380, 1347-1358 (2019).
Grimmer J, məni Roberts. və stüart BM Machine Sosial elmlərdə öyrənmə: agnostik bir yanaşma. Rev. Ann Ball. Elm. 24, 395-419 (2021).
Keç, J. et al. Alphafold istifadə edərək yüksək dəqiq bir protein quruluşu proqnozları edin. Təbiət 596, 583-589 (2021).
Gundersen, OE, Koakley, K., Kirkpatrick, K. və Gil, Y. Maşın öyrənmədə İrrarüstü mənbələri: bir araşdırma. Https://arxiv.org/abs/2204.07610 (2022) -də mövcuddur.
Scully, D., Snook, J., Wiltschko, A. və Rahimi, A. qalib lənət? Sürət, tərəqqi və empirik dəlillərin (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. və Zobel, J. Əlavə etiv işləməmələri
Kapoor, S. və Narayanan, A. Maşın öyrənmə əsaslı elmdə sızma və reproduksiya böhranları. Nümunələr, 4, 100804 (2023).
Kapoor S. et al. İslahat: Maşın öyrənməsinə əsaslanan elmi hesabat standartları. Https://arxiv.org/abs/2308.07832 (2023) -də mövcuddur.
Demasi, O., Kordam, C. və Recht, B. mənasız müqayisələr tibbi maşın öyrənmədə saxta nikbinliyə səbəb ola bilər. PLOS Bir 12, E0184604 (2017).
Roberts, M., et al. COVID-19-dan 19-cu sinə X-şüalarından və hesablanmış tomoqrafiyadan 19-u aşkar etmək və proqnozlaşdırmaq üçün maşın istifadə üçün ümumi tələlər və ən yaxşı təcrübələr. Nat. Maks. Intel. 3, 199-217 (2021).
Winoantz L. et al. Covid-19 diaqnozu və proqnozu üçün proqnozlaşdırıcı modellər: sistemli bir baxış və kritik qiymətləndirmə. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Soylu WS və Pollard KS, genomikada dəzgahdan istifadə istifadəsinin tələlərini aşan pollardı. Nat. Pastor Ginette. 23, 169-181 (2022).
Atris n. et al. Kimya üzrə maşın öyrənmək üçün ən yaxşı təcrübələr. Nat. Kimyəvi. 13, 505-508 (2021).
Brunton SL və Kutz JN qismən diferensial tənliklərin daşınması üçün perspektivli istiqamətlər. Nat. hesablamaq. Elm. 4, 483-494 (2024).
Vinuesa, R. və Brunton, SL, maşın öyrənmə yolu ilə hesablama maye dinamikasını inkişaf etdirir. Nat. hesablamaq. Elm. 2, 358-366 (2022).
Comeau, S. et al. Fiziki məlumatlı neyron şəbəkələri ilə elmi maşın öyrənmə: İndi harada olduğumuz və növbəti şey var. J. Elm. hesablamaq. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. və Xiao, H. Turbulence'nin məlumat dövründə modelləşdirmə. Ann'in yenidən işlənmiş nəşri. 51, 357-377 (2019).
Durran, geofiziki hidrodinamika, cilddə dalğa tənliklərinin həlli üçün ədədi metodlar. 32 (Springer, 2013).
Mişra, S. Diferensial tənliklərin məlumat-idarə olunan hesablamasını sürətləndirmək üçün bir maşın öyrənmə çərçivəsi. riyaziyyat. Mühəndis. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et al. Maşın öyrənməsi - Hesablama maye dinamikasının sürətlənməsi. proses. Milli Elmlər Akademiyası. Elm. ABŞ 118, E2101784118 (2021).
KADAPA, K. Kompüter elmləri və mühəndislik üçün maşın öyrənmə - qısa bir giriş və bəzi əsas məsələlər. Https://arxiv.org/abs/2112.12054 (2021) da mövcuddur.
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. və Zanna, L. Maşın öyrənmə okean subgrid parametrləşdirmə ilə müqayisəli təhlil. J.Adv. Model. Yer sistemi. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. və Brandstetter, J. PDE zərifliyi: bir neyron pde sovrayı ilə dəqiq uzun ekstresterlərə nail olmaq. Neyron informasiya emalı sistemləri üzrə 37-ci konfrans (Neyrips 2023).
Frachas, pr et al. Kompleks cırtdan dinamikanın proqnozlaşdırılması üçün təkrarlanan sinir şəbəkələrində ehtiyat alqoritmi və su anbarının hesablanması. Neyron şəbəkəsi. 126, 191-217 (2020).
Raissi, M., Perdikaris, P. və Karniadakis, GE Fizika, Kompüter Elmləri, Neyron Şəbəkələri: Qeyri-xətti diferensial tənlikləri olan irəli və tərs problemlərin həlli üçün dərin bir öyrənmə çərçivəsi. J. Kompüter. Fizika. 378, 686-707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. və Schönlieb, K.-B. Fizika əsaslı sinir şəbəkələri, sona qədər son element metodları ola bilərmi? İma J. Tətbiqləri. riyaziyyat. 89, 143-174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M. və Gómez-Romero, J. Fizika əsaslı neyron şəbəkələri məlumat idarəedici modelləşdirmə üçün: üstünlüklər, məhdudiyyətlər və imkanlar. Fizika. 610, 128415 (2023).
Zhuang, P.Y. & Barba, maye modelləşdirmə üzrə fizika əsaslı sinir şəbəkələri haqqında empirik bir hesabat: tələ və məyusluqlar. Https://arxiv.org/abs/2205.14249 (2022) -də mövcuddur.
Zhuang, P.Y. Barba, la, vorteks meydana gəlməsində fiziki məlumatlı sinir şəbəkələrin proqnozlaşdırıcı məhdudiyyətləri. Https://arxiv.org/abs/2306.00230 (2023) -də əvvəlcədən hazırlıq.
Wang, S., Yu, H. və perdikaris, P. nə vaxt və niyə pinnsin məşq edə bilmədiyi: bir sinir tangent nüvə perspektivi. J. Kompüter. Fizika. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., and Mahoney, MW Characteristics of possible failure modes in physical information neural networks. Neyron məlumat emalı sistemləri haqqında 35-ci konfrans vol. 34, 26548-26560 (NEURIPS 2021).
Bazir, S. və Senokak, I. Fizika əsaslı sinir şəbəkələrində uğursuzluq rejimlərinin kritik bir araşdırması. AIAA SCITECH 2022 FORUM 2353 (ARK, 2022).
Karnakov P., Litvinov S. və Koumoutsakos P., diskret itkiləri optimallaşdıraraq fiziki tərs problemlərin həlli: neyron şəbəkələri olmadan sürətli və dəqiq öyrənmə. proses. Milli Elmlər Akademiyası. Elm. Nexus 3, PGAE005 (2024).
Gundersen OE reproduclymin əsas prinsipləri. Phil.cross. R. shuker. 379, 20200210 (2021).
Aromataris e və Pearson A. Sistemli rəylər: Baxış. Bəli. J. Tibb bacısı 114, 53-58 (2014).
Magiera, J., Ray, D., Hosthaven, JS və RoHde, K. Riemann problemi üçün məhdud bir sinir şəbəkələri. J. Kompüter. Fizika. 409, 109345 (2020).
Bezgin DA, SCHMIDT SJ və Adams NA Data idarə olunan, qeyri-klassik azaldılmış gərginlik şokları üçün fiziki məlumatlı son həcmli həcm dövrə. J. Kompüter. Fizika. 437, 110324 (2021).
Time: Sep-29-2024