Eskerrik asko natura bisitatzeagatik. Erabiltzen ari zaren arakatzailearen bertsioak CSS laguntza mugatua du. Emaitza onenak lortzeko, zure arakatzailearen bertsio berriagoa erabiltzea gomendatzen dugu (edo desgaitu bateragarritasun modua Internet Explorer-en). Bitartean, etengabeko laguntza ziurtatzeko, gunea estiloa edo javascript gabe erakusten ari gara.
Fisika konputazionaletan makinaren ikaskuntzaren aplikazio itxaropentsuenetako bat ekuazio diferentzial partzialen konponbide bizkorra da (PDES). Makina ikasteko ekuazio diferentzial diferentzialaren diferentzialaren helburu nagusia, oinarrizko konparazio gisa balioko duten numeriko metodo estandarrak baino nahiko azkarragoak diren irtenbideak ekoiztea da. Lehenik eta behin, Literatura ikasteko makinaren berrikuspen sistematikoa egiten dugu ekuazio diferentzial partzialak konpontzeko. ML-ren erabileraren berri ematearen berri emateak, fluidoak ekuazio diferentzial partzialak konpontzeko eta zenbakizko metodo estandarren gaineko nagusitasuna aldarrikatzeko,% 79 (60/76) identifikatu genituen oinarri ahulekin alderatuta. Bigarrenik, txostenaren berri emateko frogak aurkitu ditugu, bereziki, emaitza jakinarazpenen eta argitalpenen bias. Ekuazio diferentzial partzialak konpontzeko makinak ikasteko ikerketa oso baikorra dela ondorioztatzen dugu: sarrerako datu ahulak gehiegizko emaitza positiboak sor ditzake eta emaitzek emaitza negatiboak jasan ditzakete. Zati handi batean, arazo horiek iraganeko erreprodukzio krisien antzeko faktoreek eragindakoak dira: ikertzailearen diskrezioa eta emaitza positiboak bias. Beheko aldaketarako deitzen dugu aldaketa kulturala, txostena eta goitik behera egiturazko erreforma minimizatzeko, horretarako pizgarri perbertsioak murrizteko.
Berrikuspen sistematikoak sortutako egileen eta artikuluen zerrenda, baita arloko artikulu bakoitzaren sailkapena ere, publikoki eskuragarri dago https://doi.org/10.17605/osf.io/gq5b3-n (Ref. 124).
2. taulan emaitzak erreproduzitzeko behar den kodea Gitpub-en aurki daiteke: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (ref. 125) eta kode ozeanoan: https://codeocean.com/capsule/9605539/ Zuhaitz / V1 (126. lotura) eta https://codeocean.com/capsule/0799002/tree/v1 (127. lotura).
Randall, D. eta Welser, K., IRREPREDUCTIBILIGU KRISIOA Zientzia Modernoan: Kausak, Ondorioak eta Erreformarako bideak (Zientzialarien Elkarte Nazionala, 2018ko Elkarte Nazionala).
Ritchie, S. Zientzia Fikzioa: iruzurrak, bias, isiltasuna eta hype-k egiaren bilaketa ahuldu egiten du (Vintage, 2020).
Lankidetza zientifiko irekia. Zientzia psikologikoan erreproduzitzea ebaluatzea. Zientzia 349, AAAC4716 (2015).
Prinz, F., Schlange, T. eta Asadullah, K. Sinetsi edo ez: Zenbat fidatu gaitezke droga-helburu potentzialei buruz argitaratutako datuetan? Nat. Rev. "drogen aurkikuntza". 10, 712 (2011).
Begley, kg eta Ellis, LM araztegietan, minbiziaren preklinikoko ikerketan. Natura 483, 531-533 (2012).
A. Gelman eta E. Loken, bidegorrien lorategia: zergatik konparazio anitz arazoak dira "arrantza espedizioak" edo "p-hacks" eta preformatutako ikerketa hipotesiak gabe. 348, 1-17 (Estatistika Saila, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. eta Shi, D. Makina ikasten oinarrizko fisika berriaren bila. Nat. Filosofia medikua fisikan. 4, 399-412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu cm eta Ahsan MJ. Drogaren aurkikuntzan makina ikastea: berrikuspena. ATIF. Intel. Ed. 55, 1947-1999 (2022).
Mather, as eta Coote, ML ikaskuntza sakona kimikan. J.Chemistry. Jakinarazi. Eredua. 59, 2545-2559 (2019).
Rajkomar A., Dean J. eta Kohan I. Makina Medikuntzan ikastea. New England Journal of Medicine. 380, 1347-1358 (2019).
J, J, Roberts me. eta Stewart BM Makina Gizarte Zientzietan ikasteko: ikuspegi agnostikoa. Rev. Ann Ball. Zientzia. 24, 395-419 (2021).
Salto, J. et al. Proteina egitura-iragarpen zehatzak egin alfontsak erabiliz. Natura 596, 583-589 (2021).
GUNDERSEN, OE, COALEY, K., Kirkpatrick, K., Gil, Y. ITZULIAREN ITURRIAK Makina ikasteko: Iritzia. Aurreiriria eskuragarri https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. eta Rahimi, A. Irabazlearen madarikazioa? Froga enpirikoen abiadura, aurrerapena eta zorroztasuna (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. eta Zobel, J. Ez-gehigarrien hobekuntzak: aurretiazko bilaketa-emaitzak 1998. urteaz geroztik.
Kapoor, S. eta Narayanan, A. Isurketak eta erreprodukzio krisiak Makina ikasteko oinarritutako zientzietan. Ereduak, 4, 100804 (2023).
Kapoor S. et al. Erreforma: Makinaren ikaskuntzan oinarritutako txosten zientifikoko estandarrak. Aurreprint eskuragarri https://arxiv.org/abs/2308.07832 helbidean (2023).
Demasi, O., Cording, C. eta Recht, B. Ez du zentzurik gabeko konparazioek baikortasun faltsua ekar dezakete makina medikoko ikaskuntzan. Plos One 12, E0184604 (2017).
Roberts, M., et al. Makina komuna erabiltzeko trabak eta praktika egokiak COVID-19 bularreko X izpiak eta tomografia konputatua hautemateko eta aurreikusteko. Nat. Max. Intel. 3, 199-217 (2021).
Winantz L. et al. Covid-19 diagnostikorako eta pronostikorako aurreikuspen ereduak: berrikuspen sistematikoa eta balorazio kritikoa. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS eta Pollard KS-k Genomics-en makina ikasteko erabiltzeko hutsuneak gainditzen ditu. Nat. Pastor Ginette. 23, 169-181 (2022).
Atris N. et al. Makina ikasteko praktika onenak kimikan. Nat. Kimikoa. 13, 505-508 (2021).
Brunton SL eta Kutz Jn Ekuazio diferentzial partzialak ikasteko jarraibide itxaropenak. Nat. kalkulatu. Zientzia. 4, 483-494 (2024).
Vinuesa, R. eta Brunton, SL fluidoen dinamika konputazionalak hobetzea makinaren ikaskuntzaren bidez. Nat. kalkulatu. Zientzia. 2, 358-366 (2022).
Comeau, S. et al. Makina zientifikoko ikaskuntza fisikoki informatutako sare neuronalekin: non gauden eta hurrengoa. J. Zientzia. kalkulatu. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. eta Xiao, H. turbulentzia modelatzea datuen aroan. Ann-ren edizio berritua. 51, 357-377 (2019).
Durran, hidrodinamika geofisikoetan olatuen ekuazioak konpontzeko zenbakizko metodoak, Vol. 32 (Springer, 2013).
Mishra, S. Makina ikasteko esparrua ekuazio diferentzialen konpartizioa azkartzeko. Matematika. Ingeniaria. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Makina ikastea - Fluido konputazionalaren dinamika azkartzea. Prozesua. Zientzien Akademia Nazionala. Zientzia. US 118, E2101784118 (2021).
Kadapa, K. Makina Informatika eta Ingeniaritza ikasteko makina - Sarrera laburra eta funtsezko gaiak. Aurreprint eskuragarri https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., eta Zanna, L. Makina ikasteko ozeanoen azpi-azalpenaren parametroa eredu idealizatuetan. J.adv. Eredua. Lurreko sistema. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. eta BrandStter, J. PDE Fintzea: Neurri luzeko estraktuak lortzea PEL Solver neuronarekin. Neural Informazioaren Tratamendu Sistemari buruzko 37. Konferentzia (Neurips 2023).
Frachas, pr et al. BackPropagation Algoritmoa eta urtegia kalkulatzeko sare neuronal errepikatuetan, spatiotemporal dinamika konplexuak aurreikusteko. Sare neuronala. 126, 191-217 (2020).
Raissi, M., Perdikaris, P. eta KarniaDakis, GE Fisika, Informatika, Sare neuronalak: ikaskuntza esparru sakona, ekuazio diferentzial ezberdinak ez diren ekuazio partzialak ez diren aurre egiteko eta alderantzizko arazoak konpontzeko. J. Ordenagailua. Fisika. 378, 686-707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. eta Schönlieb, K.-B. Fisikan oinarritutako sare neuronalak elementu finituen metodoak gainditu al ditzake? Ima J. aplikazioak. Matematika. 89, 143-174 (2024).
De la Mata, FF, Gijon, A., Molina-Solana, M. eta Gómez-Romero, J. Datuak gidatutako modelizaziorako J. Fisika oinarritutako sare neuronalak: abantailak, mugak eta aukerak. Fisika. 610, 128415 (2023).
Zhuang, P.-y. & Barba, Likalikoan oinarritutako sare neuronalen inguruko txosten enpirikoa: putzuak eta etsipenak. Aurreprint eskuragarri https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-y. eta Barba, LA Fisikoki informatutako sare neuronalen muga iragarleak Vortex formazioan. Aurreprint eskuragarri https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. eta Perdikaris, P. Noiz eta zergatik pinnek entrenatzen ez duten: nukleo tangente neuronalaren ikuspegia. J. Ordenagailua. Fisika. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. eta Mahoney, MW informazio fisikoko sareen porrot modu posibleen ezaugarriak. 35. Konferentzia Neural Information Tratamics Systems Vol. 34, 26548-26560 (Neurips 2021).
Basir, S. eta Senokak, I. Fisikan oinarritutako sare neuronaletan porrot moduaren azterketa kritikoa. Aiaa Scitech 2022 Forum 2353 (Ark, 2022).
Karnakov P., Litvinov S. eta Koumoutsakos P. Alderantzizko arazo fisikoak konpontzea galera diskretuak optimizatuz: sare neuronalik gabeko ikaskuntza azkarra eta zehatza. Prozesua. Zientzien Akademia Nazionala. Zientzia. Nexus 3, PGAE005 (2024).
GUNDERSEN OE erreproduktibitatearen oinarrizko printzipioak. Phil.cross. R. Shuker. 379, 20200210 (2021).
Aromataris e eta Pearson A. Iritzi sistematikoak: ikuspegi orokorra. Bai J. Erizaintza 114, 53-58 (2014).
Magiera, J., Ray, D., Hesthaven, JS eta Rohde, K. Riemann arazorako neural sare neuronalak. J. Ordenagailua. Fisika. 409, 109345 (2020).
Bezgin da, Schmidt SJ eta Adams na-k datu fisikoki informatuak fisikoki informatu ditu, klasiko ez diren tentsio-kolpeak lortzeko. J. Ordenagailua. Fisika. 437, 110324 (2021).
Posta: 2012ko irailaren 29a