Go raibh maith agat as cuairt a thabhairt ar Nature.com. Tá tacaíocht teoranta CSS ag an leagan den bhrabhsálaí atá á úsáid agat. Le haghaidh na dtorthaí is fearr, molaimid duit leagan níos nuaí de do bhrabhsálaí a úsáid (nó modh comhoiriúnachta a dhíchumasú i Internet Explorer). Idir an dá linn, chun tacaíocht leanúnach a chinntiú, táimid ag taispeáint an tsuímh gan styling ná JavaScript.
Ceann de na feidhmchláir is fearr a bhaineann le foghlaim meaisín i bhfisic ríomhaireachtúil is ea an tuaslagán luathaithe ar chothromóidí difreálacha páirteach (PDEanna). Is é an príomhsprioc atá ag réiteoir cothromóid dhifreálach pháirteach-bhunaithe le meaisín-bhunaithe réitigh a tháirgeadh atá cruinn go leor níos tapúla ná modhanna uimhriúla caighdeánacha chun fónamh mar chomparáid bhunlíne. Déanaimid athbhreithniú córasach ar dtús ar an litríocht foghlama meaisín ar chothromóidí difreálacha páirteach a réiteach. As na páipéir go léir a thuairiscíonn úsáid ML chun cothromóidí difreálacha páirteach sreabhach a réiteach agus chun barr feabhais a éileamh ar mhodhanna uimhriúla caighdeánacha, d'aithníomar 79% (60/76) i gcomparáid le bonnlínte lag. Ar an dara dul síos, fuaireamar fianaise ar chlaontacht tuairiscithe forleathan, go háirithe i dtuairisciú torthaí agus i gclaonadh foilsithe. Tuigimid go bhfuil taighde ar fhoghlaim meaisín ar réiteach cothromóidí difreálacha páirteach ró -dhóchasach: is féidir le sonraí ionchuir lag torthaí ró -dhearfacha a bheith mar thoradh ar shonraí ionchuir lag, agus d'fhéadfadh torthaí diúltacha a bheith mar thoradh ar chlaontacht tuairiscithe. Go príomha, is cosúil go bhfuil na fadhbanna seo mar thoradh ar fhachtóirí atá cosúil le géarchéimeanna in -atáirgtheachta san am atá thart: discréid an imscrúdaitheora agus claonadh dearfach torthaí. Iarraimid ar athrú cultúrtha ón mbonn aníos chun tuairisciú claonta agus athchóiriú struchtúrach ón mbarr anuas a íoslaghdú chun dreasachtaí claonta a laghdú chun é sin a dhéanamh.
Tá liosta na n -údar agus na n -alt a ghineann an t -athbhreithniú córasach, chomh maith le haicmiú gach earra sa sampla randamach, ar fáil go poiblí ag https://doi.org/10.17605/osf.io/gq5b3 (Tag. 124).
Is féidir an cód a theastaíonn chun na torthaí a atáirgeadh i dTábla 2 a fháil ar GitHub: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (Tag. 125) agus ar an gcód aigéan: https://codeocean.com/capsule/96055539/ Crann/ v1 (nasc 126) agus https://codeocean.com/capsule/0799002/tree/v1 (nasc 127).
Randall, D., agus Welser, K., An ghéarchéim neamh -in -athraithe in eolaíocht nua -aimseartha: cúiseanna, iarmhairtí, agus conairí athchóirithe (Cumann Náisiúnta na nEolaithe, 2018).
Ritchie, S. Ficsean Eolaíochta: Conas a bhaineann calaois, claontacht, tost, agus hype as an gcuardach ar fhírinne (Vintage, 2020).
Comhoibriú eolaíoch oscailte. Measúnú a dhéanamh ar in -atáirgtheacht san eolaíocht shíceolaíoch. Eolaíocht 349, AAAC4716 (2015).
Prinz, F., Schlange, T., agus Asadullah, K. Creid é nó ná bíodh: Cé mhéad is féidir linn a bheith ag brath ar shonraí foilsithe ar spriocanna drugaí féideartha? Nat. An tOllamh “Fionnachtain Drugaí.” 10, 712 (2011).
Begley, KG agus Ellis, LM Caighdeáin a ardú i dtaighde ailse réamhliniciúil. Cineál 483, 531–533 (2012).
A. Gelman agus E. Loken, Gairdín na bPósanna Forking: Cén fáth gur fadhb iad comparáidí iolracha fiú gan “turais iascaireachta” nó “p-hacks” agus hipitéisí taighde réamhdhéanta, vol. 348, 1–17 (An Roinn Staitisticí, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., agus Shi, D. Machine Learning ag cuardach fisice bunúsach nua. Nat. Dochtúir na Fealsúnachta san Fhisic. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM agus Ahsan MJ. Foghlaim meaisín i bhfionnachtain drugaí: athbhreithniú. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS and Coote, ML Deep Learning sa cheimic. J.Chemistry. fógra a thabhairt. Samhail. 59, 2545–2559 (2019).
Rajkomar A., ​​Dean J. agus Kohan I. Foghlaim meaisín sa leigheas. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts Mise. agus Stewart BM Machine Learning sna hEolaíochtaí Sóisialta: Cur Chuige Agnostic. An tOllamh Ann Ball. Eolaíocht. 24, 395–419 (2021).
Léim, J. et al. Déan réamh -mheastacháin ar struchtúr próitéine an -chruinn ag baint úsáide as Alphafold. Cineál 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., and Gil, Y. Sources of irreproducibility in machine learning: A review. Preprint ar fáil ag https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., agus Rahimi, A. Mallacht an Bhuaiteora? Ar luas, dul chun cinn agus déine na fianaise eimpíreach (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., agus Zobel, J. Feabhsuithe neamh-bhreiseáin: Réamhthorthaí Cuardaigh ó 1998.
Kapoor, S. agus Narayanan, A. Géarchéimeanna sceite agus in-atáirgtheachta in eolaíocht bunaithe ar fhoghlaim meaisín. Patrúin, 4, 100804 (2023).
Kapoor S. et al. Athchóiriú: Caighdeáin tuairiscithe eolaíochta bunaithe ar fhoghlaim meaisín. Preprint ar fáil ag https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C., agus Recht, B. Is féidir le comparáidí gan chiall a bheith ina chúis le dóchas bréagach i bhfoghlaim meaisín leighis. PLOS One 12, E0184604 (2017).
Roberts, M., et al. Gaistí coitianta agus dea-chleachtais chun meaisín a úsáid chun COVID-19 a bhrath agus a thuar ó X-ghathanna cófra agus tomagrafaíocht ríofa. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Samhlacha réamh-mheasta maidir le diagnóis agus prognóis COVID-19: athbhreithniú córasach agus breithmheas criticiúil. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS agus Pollard KS ag sárú na ngaistí a bhaineann le foghlaim meaisín a úsáid i ngéanómaíocht. Nat. Sagart Ginette. 23, 169–181 (2022).
Atris N. et al. Dea -chleachtais le haghaidh foghlama meaisín sa cheimic. Nat. Ceimiceach. 13, 505–508 (2021).
Brunton SL agus Kutz JN treoracha gealladh chun machnamh a dhéanamh ar mheaisín cothromóidí difreálacha páirteach. Nat. Ríomh. Eolaíocht. 4, 483–494 (2024).
Vinuesa, R. agus Brunton, SL ag feabhsú dinimic sreabhach ríomhaireachta trí fhoghlaim meaisín. Nat. Ríomh. Eolaíocht. 2, 358–366 (2022).
Comeau, S. et al. Foghlaim Meaisín Eolaíochta le Líonraí Neural atá ar an eolas go Fisiciúil: Cá bhfuilimid anois agus cad atá romhainn. J. Eolaíocht. Ríomh. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., agus Xiao, H. Samhaltú suaiteachta sa ré sonraí. Eagrán athbhreithnithe de Ann. 51, 357–377 (2019).
Durran, DR Modhanna Uimhriúla chun Cothromóidí Tonn a Réiteach i Hydrodynamics Geoifisiceach, Vol. 32 (Springer, 2013).
Mishra, S. Creat foghlama meaisín chun cothromóidí difreálacha a luathú ar shonraí a luathú. Matamaitic. innealtóir. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et al. Foghlaim meaisín - luasghéarú dinimic sreabhach ríomhaireachtúil. próiseas. Acadamh Náisiúnta na nEolaíochtaí. Eolaíocht. US 118, E2101784118 (2021).
Kadapa, K. Machine Learning for Ríomheolaíocht agus Innealtóireacht - Réamhrá gairid agus roinnt príomhcheisteanna. Preprint ar fáil ag https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., agus Zanna, L. Anailís chomparáideach ar pharaiméadrú fo-fhoghlama meaisín i múnlaí idéalaithe. J.ADV. Samhail. Córas na Cruinne. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., agus Brandstetter, J. PDE Mionchoigeartú: easbhrúite fada cruinn a bhaint amach le réiteoir PDE néarach. 37ú Comhdháil ar Chórais Próiseála Faisnéise Neural (Neurips 2023).
FRACHAS, PR et al. Algartam cúltaca agus ríomh taiscumar i líonraí neodracha athfhillteacha chun dinimic chasta spatiotemporal a thuar. Líonra Neural. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. agus Karniadakis, GE fisic, eolaíocht ríomhaireachta, líonraí néarach: creat foghlama domhain chun fadhbanna ar aghaidh agus inbhéartach a réiteach a bhaineann le cothromóidí difreálacha páirteach neamhlíneach. J. Ríomhaire. Fisic. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., agus Schönlieb, K.-B. An féidir le líonraí néarach atá bunaithe ar fhisic feidhmiú níos fearr ná modhanna eilimintí críochta? IMA J. Feidhmchláir. Matamaitic. 89, 143–174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M., agus Gómez-Romero, J. Líonraí néarógacha bunaithe ar fhisic le haghaidh samhaltú atá bunaithe ar shonraí: buntáistí, teorainneacha agus deiseanna. Fisic. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Tuarascáil eimpíreach ar líonraí néarach bunaithe ar fhisic i samhaltú sreabhach: gaistí agus díomá. Preprint ar fáil ag https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. agus Barba, teorainneacha réamh -mheasta LA ar líonraí néarach atá ar an eolas go fisiciúil ar fhoirmiú vortex. Preprint ar fáil ag https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., agus Perdikaris, P. Cathain agus cén fáth a dteipeann ar Pinns traenáil: peirspictíocht núicléas tadhlaí néarógach. J. Ríomhaire. Fisic. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., agus Mahoney, MW Saintréithe na Modhanna Teip Féideartha i Líonraí Faisnéise Fisiciúla. 35ú Comhdháil ar Chórais Próiseála Faisnéise Neural Vol. 34, 26548–26560 (Neurips 2021).
Basir, S. agus Senokak, I. Staidéar criticiúil ar mhodhanna teip i líonraí néarach bunaithe ar fhisic. I bhFóram AIAA Scitech 2022 2353 (Ark, 2022).
Karnakov P., Litvinov S. agus Koumoutsakos P. Fadhbanna inbhéartacha fisiciúla a réiteach trí chaillteanais scoite a bharrfheabhsú: foghlaim thapa agus chruinn gan líonraí néarach. próiseas. Acadamh Náisiúnta na nEolaíochtaí. Eolaíocht. Nexus 3, PGAE005 (2024).

Aromataris E agus Pearson A. Athbhreithnithe córasacha: Forbhreathnú. Sea. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, agus Rohde, K. Líonraí néarógacha atá feasach ar an bhfadhb Riemann. J. Ríomhaire. Fisic. 409, 109345 (2020).
Bezgin DA, Schmidt SJ agus Adams NA Ciorcad Toirt Finite atá bunaithe ar shonraí le haghaidh suaití neamh-chlasaiceacha laghdaithe voltais. J. Ríomhaire. Fisic. 437, 110324 (2021).