Tige tank foar it besykjen fan natuer.com. De ferzje fan browser dy't jo brûke hat CSS-stipe beheind. Foar bêste resultaten advisearje wy dat jo in nijere ferzje fan jo browser brûke (kompatibiliteitsmodus yn Internet Explorer útskeakelje). Yn 'e tuskentiid, om oanhâldende stipe te garandearjen, litte wy de side sjen sûnder styling as javascript.
Ien fan 'e meast belofte applikaasjes fan masine learen yn berekkeningen fan' e fysyk is de fersnelde oplossing fan diel fan dielferoarsjele fergeliking (pdes). It haaddoel fan in solver fan in masjine-learen fan in masjine-differinsjele fergeliking is om oplossingen te produsearjen dy't krekt genôch binne as standert numerike metoaden om te tsjinjen as in baseline fergeliking. Wy gedrage earst in systematyske resinsje fan 'e oanmelding fan' e masine dy't literatuer binne op it oplossen fan dielde differinsjele fergeliking. Fan alle papieren dy't it gebrûk fan ML rapportearje om floeiende dielde differinsjele fergeliking te lossen en beweare oer standert numerike metoaden, wy identifisearre wy 79% (60/76) yn ferliking mei swakke basislinen. Twad, wy fûn bewiis fûnen fan wiidferspraat rapportaazjebias, fral yn útkomst rapportaazje en publikaasje Bias. Wy konkludearje dat masjineûndersyk konkludearje by it oplossen fan 'e oplieding fan dielen dy't tefolle is tefolle is tefolle: swakke ynfiergegevens kinne liede ta te folle positive resultaten, en rapportaazje kinne liede ta underreporting fan negative resultaten. Yn grut diel ferskine dizze problemen feroarsake troch faktoaren te ferlykjen mei ferkearing fan ferline reprodusearberens: Undersyk foar ûndersiker en positive útkomst-bias. Wy roppe foar boaiem-up kulturele feroaring oan om partieare ferslachjouwer en top-down strukturele herfoarming te minimalisearjen om perverse stimulearrings te ferminderjen.
De list mei auteurs en artikels generearre troch de systematyske resinsje, lykas de klassifikaasje fan elk artikel yn 'e willekeurige stekproef, is iepenbier beskikber op https://doei.org/10.17605/osf.io/gq5b3 (ref. 124).
De koade moat de resultaten reprodusearje yn Tabel 2 kinne fûn wurde op GitHub: https://github.com/nickmcgreivinesmle/ (ref. 125) en op koade Oseaan: https://codecean.com/capsule/960553/ Beam / v1 (Link 126) en https://codecean.com/capsel/0799002/tree/Tree/V1 (LINK 127).
Randall, D., en Welser, K., de unprodukibiliteitskrisis yn moderne wittenskip: feroarsaket, gefolgen, en paden foar herfoarming (Nasjonale Feriening fan wittenskippers, 2018).
Ritchie, S. Science Fiction: Hoe fraude, bias, stilte, en hype ûndermyn it sykjen nei wierheid (vintage, 2020).
Iepen wittenskiplike gearwurking. It beoardieljen fan reprodusearberens yn psychologyske wittenskip. Wittenskip 349, Aaac4716 (2015).
Prinz, F., Schlange, T., en Asadullah, K. Leau it of net: Hoefolle kinne wy fertrouwe op publisearre gegevens oer potensjele medisyn doelen? Nat. Rev. "De ûntdekking fan drugs." 10, 712 (2011).
Begley, kg en Ellis, LM Raising Standards yn Preclinical Cancer-ûndersyk. Natuer 483, 531-533 (2012).
A. Gelman en E. Loksken, de tún fan forkepaden: Wêrom meardere fergeliking binne, sels sûnder probleem sûnder "Fiskers" of "P-Hacks" en foarfoarme ûndersykshypotezeen, Vol. 348, 1-17 (ôfdieling statistyk, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., en Shi, D. Machine Learning op syk nei nije fûnemintedys. Nat. Dokter fan filosofy yn natuerkunde. 4, 399-412 (2022).
DARA S, DAMERCHERLA S, Jadhav SS, Babu Cm en Ahsan MJ. Masine learen yn drugsdiscovery: in resinsje. Atif. Intel. Ed. 55, 1947-1999 (2022).
Mather, as en coote, ml djip lear yn skiekunde. J.manemistry. notify. Model. 59, 2545-2559 (2019).
Rajkomar A., Dean J. en Kohan I. Machine-learen yn medisinen. Nij Ingelân Journal of Medicine. 380, 1347-1358 (2019).
Grimmer J, Roberts my. en Stewart BM-masjegebannen yn sosjale wittenskippen: in agnostyske oanpak. Rev. Ann Ball. wittenskip. 24, 395-419 (2021).
Jump, J. et al. Meitsje heul krekte proteïne-struktuer foarsizzingen mei alpafold. Natuer 596, 583-589 (2021).
Gundersen, Oe, Coakley, K., Kirkpatrick, K., en Gil, Y. Boarnen fan unreprodusearberens yn masjine learen: in resinsje. Foarôfdruk te krijen op https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., en Rahimi, A. Winner's Curse? Op 'e snelheid, foarútgong en rigor fan empirysk bewiis (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., en Zobel, J. net-addive ferbetteringen: Priviminêre sykresultaten sûnt 1998 sûnt 1998. 18e ACM-konferinsje oer ynformaasje en kennesbehear 601-610 (ACM 2009).
Kapoor, S. En Narayanan, A. Lekkens en reprodusearberens krisis yn masjine-learbasearre wittenskip. Patterns, 4, 100804 (2023).
Kapoor S. et al. Reform: Wittenskiplike rapportaazje-noarmen basearre op masine-learen. Foarôfdruk te krijen op https://arxiv.org/abs/2308.07837 (2023).
Demasi, O., Cording, C., en recht, B. betsjuttingsleaze fergeliking kinne liede ta falske optimisme yn medyske masine learen. PLOS ONE 12, E0184604 (2017).
Roberts, M., et al. Common Pitfalls and Best praktiken foar it brûken fan masjine dy't leart om te detektearjen en te foarsizzen fan Covid-19 fan 'e röntgenfoto's en berch tomografy. Nat. Maks. Intel. 3, 199-217 (2021).
WINANTZ L. et al. Foarsichtige modellen foar de diagnoaze en prognose fan Covid-19: in systematyske resinsje en krityske beoardieling. BMM 369, M1328 (2020).
WHALEN S., SCHREIBEER J., Noble WS en Pollard Ks oerwinning fan 'e pitfallen fan gebrûk fan machine-learen yn genomika. Nat. Pastoar Ginette. 23, 169-181 (2022).
Atris N. et al. Bêste praktiken foar masine learen yn skiekunde. Nat. Gemysk. 13, 505-508 (2021).
Brunton SL en Kutz JN belofte oanwizings foar masjine-learen fan dielferoartse fergeliking. Nat. Berekkenje. Wittenskip. 4, 483-494 (2024).
Vinuesa, R. en Brunton, SL ferbetteret Computational Fluid Dynamics fia masine-learen. Nat. Berekkenje. wittenskip. 2, 358-366 (2022).
Comeau, S. et al. Wittenskiplike masine learen mei fysyk fermoarde neurale netwurken: wêr't wy no binne en wat dernei is. J. Wittenskip. Berekkenje. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., en Xiao, H. Turbulence Modelearring yn 'e gegevens-tiidrek. Fernijde edysje fan Ann. 51, 357-377 (2019).
Durran, DR numerike metoaden foar it oplossen fan welle-fergeliking yn geofysyske hydrodynamika, vol. 32 (Springer, 2013).
MISHRA, S. A MACHINE LEARING RAME WORK FOAR TO FERGESE DATA-DRIVEN COMPUTATION FAN DIVIENIVE EISJES. Wiskunde. yngenieur. https://doei.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et al. Masine Learning - fersnelling fan berekkenende floeistof dynamyk. proses. Nasjonale Akademy fan Wittenskippen. wittenskip. US 118, E2101784118 (2021).
Kadapa, K. Masine learen foar kompjûterwittenskip en engineering - in koarte ynlieding en guon wichtige problemen. Foarôfdruk te krijen op https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., en Znann, L. Kompelarjonende analyse fan Masine Learning-parameterisaasje yn idealisearre modellen. J.DAd. Model. Ierdtysteem. 15. E2022ms003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., en brandstetter, J. PDE-ferfining: berikke lange extrusions mei in neurale pde-solver. 37e konferinsje oer neurale ynformaasjeferwurking Systems (Neurips 2023).
Frachas, PR et al. Backropagation Algoritme en reservoir berekkening yn weromkommend neurale netwurken foar it foarsizzen fan komplekse spatiotemporale dynamyk. neuraal netwurk. 126, 191-217 (2020).
Raissi, M., Perdikaris, P. En KarniaDakis, Ge-natuerkunde, Computer Science, Neurale NETWORKS: In djip learde ramt foar it oplossen fan trochstjoere en omkearde problemen mei net-lineêre dieldearlike fergeliking. J. Computer. Natuerkunde. 378, 686-707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., en Schönlieb, K.B. Kinne de meturyske metoaden fan neiste netwurken oerdrage? Ima J.-applikaasjes. wiskunde. 89, 143-174 (2024).
DE LA MATA, FF, Gijon, A., Molina-Solana, M., en Gómez-Romero, J. Natuerkunde - Basearre neurale netwurken foar gegevens-oandreaune modellering: Foardielen, beheinings, en kânsen. Natuerkunde. A 610, 128415 (2023).
Zhuang, P.-y. & Barba, la in empirysk rapport oer fysyk-basearre neurale netwurken yn floeibere modellering: pilfalls en teloarstellingen. Foarôfdruk te krijen op https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-y. En Barba, LA foarsizzing beheiningen fan fysyk ynformeare neurale netwurken op vortex-formaasje. Foarôfdruk te krijen op https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., en Perdikaris, P. Wannear en wêrom Pinns net traine: in neuraal Tangent Nucleus Perspektyf. J. Computer. Natuerkunde. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., en Mahoney, MW-skaaimerken fan mooglike mislearen yn fysike ynformaasje neamde netwurken. 35e konferinsje oer de Systemen fan neurale ynformaasje 34, 26548-26560 (neurips 2021).
Basir, S. En Senokak, I. In krityske stúdzje fan mislearre modus yn fysyk-basearre neurale netwurken. Yn Aiaa Scitech 2022 Forum 2353 (Ark, 2022).
Karnakov P., Litvinov S. En Koumoutsakos P. Fysike omkearde problemen oplosse troch diskrete ferliezen: Fast en krekte learen sûnder neurlike netwurken. proses. Nasjonale Akademy fan Wittenskippen. Wittenskip. Nexus 3, pgae005 (2024).
Gundersnen OE basis prinsipes fan reprodusearberens. PHIL.CROSS. R. Shuker. A 379, 20200210 (2021).
Aromataris E en Pearson A. Systematyske resinsjes: An oersicht. Ja. J. Nursing 114, 53-58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, en Rohde, K. Constraint-bewust neurale netwurken foar it Riemann-probleem. J. Computer. Natuerkunde. 409, 109345 (2020).
Bezgin Da, Schmidt SJ en ADAMS NA DATA-DIVEN FYSISK FYSITY FERGESE FINITE VOLUM VOLUM FOAR NIE KLASSE REDUSED VOLTAGE SHOCKS. J. Computer. Natuerkunde. 437, 110324 (2021).
Posttiid: Sep-29-2024