નેચર ડોટ કોમની મુલાકાત લેવા બદલ આભાર. તમે ઉપયોગ કરી રહ્યાં છો તે બ્રાઉઝરના સંસ્કરણમાં મર્યાદિત સીએસએસ સપોર્ટ છે. શ્રેષ્ઠ પરિણામો માટે, અમે ભલામણ કરીએ છીએ કે તમે તમારા બ્રાઉઝરના નવા સંસ્કરણનો ઉપયોગ કરો (અથવા ઇન્ટરનેટ એક્સપ્લોરરમાં સુસંગતતા મોડને અક્ષમ કરો). તે દરમિયાન, ચાલુ સપોર્ટની ખાતરી કરવા માટે, અમે સ્ટાઇલ અથવા જાવાસ્ક્રિપ્ટ વિના સાઇટ બતાવી રહ્યા છીએ.
કોમ્પ્યુટેશનલ ફિઝિક્સમાં મશીન લર્નિંગની સૌથી આશાસ્પદ એપ્લિકેશનોમાંની એક એ આંશિક ડિફરન્સલ સમીકરણો (પીડીઇ) નો એક્સિલરેટેડ સોલ્યુશન છે. મશીન લર્નિંગ-આધારિત આંશિક ડિફરન્સલ ઇક્વેશન સોલ્વરનું મુખ્ય લક્ષ્ય એ ઉકેલો ઉત્પન્ન કરવાનું છે જે બેઝલાઇન તુલના તરીકે સેવા આપવા માટે પ્રમાણભૂત આંકડાકીય પદ્ધતિઓ કરતા વધુ ઝડપથી સચોટ હોય છે. અમે પ્રથમ આંશિક વિભેદક સમીકરણો હલ કરવા માટે મશીન લર્નિંગ સાહિત્યની વ્યવસ્થિત સમીક્ષા કરીએ છીએ. પ્રવાહી આંશિક વિભેદક સમીકરણોને હલ કરવા અને માનક આંકડાકીય પદ્ધતિઓ પર શ્રેષ્ઠતાનો દાવો કરવા માટે એમએલના ઉપયોગની જાણ કરનારા તમામ કાગળોમાંથી, અમે નબળા બેઝલાઈન્સની તુલનામાં 79% (60/76) ની ઓળખ કરી. બીજું, અમને વ્યાપક રિપોર્ટિંગ પૂર્વગ્રહના પુરાવા મળ્યાં, ખાસ કરીને પરિણામ રિપોર્ટિંગ અને પ્રકાશન પૂર્વગ્રહમાં. અમે તારણ કા .્યું છે કે આંશિક વિભેદક સમીકરણો હલ કરવા પર મશીન લર્નિંગ સંશોધન વધુ પડતું આશાવાદી છે: નબળા ઇનપુટ ડેટા વધુ પડતા સકારાત્મક પરિણામો તરફ દોરી શકે છે, અને રિપોર્ટિંગ પૂર્વગ્રહ નકારાત્મક પરિણામોની અન્ડરપોર્ટિંગ તરફ દોરી શકે છે. મોટા ભાગમાં, આ સમસ્યાઓ ભૂતકાળના પ્રજનનક્ષમતાના સંકટ જેવા પરિબળોને કારણે થાય છે: તપાસનીસ વિવેકબુદ્ધિ અને સકારાત્મક પરિણામ પૂર્વગ્રહ. આવું કરવા માટે વિકૃત પ્રોત્સાહનોને ઘટાડવા માટે પક્ષપાતી રિપોર્ટિંગ અને ટોપ-ડાઉન સ્ટ્રક્ચરલ રિફોર્મ ઘટાડવા માટે અમે તળિયે-અપ સાંસ્કૃતિક પરિવર્તનની હાકલ કરીએ છીએ.
વ્યવસ્થિત સમીક્ષા દ્વારા પેદા કરાયેલા લેખકો અને લેખોની સૂચિ, તેમજ રેન્ડમ નમૂનામાં દરેક લેખનું વર્ગીકરણ, https://doi.org/10.17605/osf.io/gq5b3 (રેફ. 124) પર સાર્વજનિક રૂપે ઉપલબ્ધ છે.
રેન્ડલ, ડી. અને વેલ્સર, કે., આધુનિક વિજ્ in ાનમાં અસ્પષ્ટતા કટોકટી: કારણો, પરિણામો અને સુધારણા માટેના માર્ગો (નેશનલ એસોસિએશન Scients ફ સાયન્ટિસ્ટ્સ, 2018).
રિચી, એસ. વિજ્ .ાન સાહિત્ય: કેવી રીતે છેતરપિંડી, પૂર્વગ્રહ, મૌન અને હાઇપ સત્યની શોધને નબળી પાડે છે (વિંટેજ, 2020).
ખુલ્લા વૈજ્ .ાનિક સહયોગ. માનસિક વિજ્ in ાનમાં પ્રજનનક્ષમતાનું મૂલ્યાંકન. વિજ્ 34 ાન 349, એએએસી 4716 (2015).
બેગલે, કેજી અને એલિસ, એલએમએ પ્રેક્લિનિકલ કેન્સર સંશોધનમાં ધોરણો વધાર્યા. પ્રકૃતિ 483, 531–533 (2012).
મ ather થર, એએસ અને કોટ, રસાયણશાસ્ત્રમાં એમએલ ડીપ લર્નિંગ. જે. સૂચિત. મોડેલ. 59, 2545–2559 (2019).
રાજકોમર એ., ડીન જે. અને કોહન આઇ. મશીન લર્નિંગ ઇન મેડિસિન. ન્યુ ઇંગ્લેંડ જર્નલ Medic ફ મેડિસિન. 380, 1347–1358 (2019).
જમ્પ, જે. એટ અલ. આલ્ફાફોલ્ડનો ઉપયોગ કરીને ખૂબ સચોટ પ્રોટીન સ્ટ્રક્ચર આગાહીઓ બનાવો. પ્રકૃતિ 596, 583–589 (2021).
ગુંડસન, ઓઇ, કોકલે, કે. પ્રીપ્રિન્ટ https://arxiv.org/abs/2204.07610 (2022) પર ઉપલબ્ધ છે.
સ્ક્લી, ડી., સ્નૂક, જે., વિલ્ટ્સ્કો, એ. અને રહીમી, એ. વિજેતા શાપ? ગતિ, પ્રગતિ અને પ્રયોગમૂલક પુરાવાઓની કઠોરતા પર (આઇસીએલઆર, 2018).
આર્મસ્ટ્રોંગ, ટીજી, મોફેટ, એ., વેબર, ડબલ્યુ. અને ઝોબેલ, જે. નોન-એડિટિવ ઉન્નતીકરણ: 1998 થી પ્રારંભિક શોધ પરિણામો. માહિતી અને જ્ knowledge ાન સંચાલન પર 18 મી એસીએમ કોન્ફરન્સ 601–610 (એસીએમ 2009).
કપૂર, એસ. અને નારાયણન, એ. મશીન લર્નિંગ-આધારિત વિજ્ in ાનમાં લિકેજ અને પ્રજનનક્ષમતા કટોકટી. દાખલાઓ, 4, 100804 (2023).
ડીમાસી, ઓ., કોર્ડિંગ, સી. અને રીચ, બી. અર્થહીન તુલનાઓ તબીબી મશીન લર્નિંગમાં ખોટા આશાવાદ તરફ દોરી શકે છે. પીએલઓએસ વન 12, E0184604 (2017).
રોબર્ટ્સ, એમ., એટ અલ. છાતીના એક્સ-રે અને ગણતરી કરેલ ટોમોગ્રાફીમાંથી કોવિડ -19 ને શોધવા અને આગાહી કરવા માટે મશીન લર્નિંગનો ઉપયોગ કરવા માટેની સામાન્ય મુશ્કેલીઓ અને શ્રેષ્ઠ પ્રયાસો. નાટ. મહત્તમ. ઇન્ટેલ. 3, 199–217 (2021).
વ્હેલન એસ., સ્ક્રાઇબર જે., નોબલ ડબ્લ્યુએસ અને પોલાર્ડ કેએસ જીનોમિક્સમાં મશીન લર્નિંગનો ઉપયોગ કરવાની મુશ્કેલીઓ પર કાબૂ મેળવ્યો. નાટ. પાદરી જિનેટ. 23, 169–181 (2022).
એટ્રીસ એન. એટ અલ. રસાયણશાસ્ત્રમાં મશીન લર્નિંગ માટે શ્રેષ્ઠ પ્રયાસો. નાટ. રાસાયણિક. 13, 505–508 (2021).
આંશિક વિભેદક સમીકરણોના મશીન લર્નિંગ માટે બ્રન્ટન એસએલ અને કુત્ઝ જે.એન. નાટ. ગણતરી. વિજ્ .ાન. 4, 483–494 (2024).
દુરન, જીઓફિઝિકલ હાઇડ્રોડાયનેમિક્સ, વોલ્યુમમાં તરંગ સમીકરણો હલ કરવા માટે ડ Dr ની આંકડાકીય પદ્ધતિઓ. 32 (સ્પ્રિન્જર, 2013).
મિશ્રા, એસ. વિભેદક સમીકરણોના ડેટા આધારિત ગણતરીને વેગ આપવા માટે મશીન લર્નિંગ ફ્રેમવર્ક. ગણિત. ઇજનેર. https://doi.org/10.3934/mine.2018.1.118 (2018).
કડાપા, કે. મશીન લર્નિંગ ફોર કમ્પ્યુટર સાયન્સ અને એન્જિનિયરિંગ - એક સંક્ષિપ્ત પરિચય અને કેટલાક મુખ્ય મુદ્દાઓ. પ્રીપ્રિન્ટ https://arxiv.org/abs/2112.12054 (2021) પર ઉપલબ્ધ છે.
રોસ, એ., લિ, ઝેડ., પેરેઝહોગિન, પી., ફર્નાન્ડીઝ-ગ્રાંડા, સી. અને ઝન્ના, એલ. આદર્શિત મોડેલોમાં મશીન લર્નિંગ મહાસાગર સબગ્રિડ પરિમાણનું તુલનાત્મક વિશ્લેષણ. જે.એ.વી.વી. મોડેલ. પૃથ્વી સિસ્ટમ. 15. E2022MS003258 (2023).
લિપ્પી, પી., વાઈલિંગ, બી., પેરડિકરીસ, પી., ટર્નર, આર., અને બ્રાન્ડસ્ટેટર, જે. પીડીઇ રિફાઇનમેન્ટ: ન્યુરલ પીડીઇ સોલ્વર સાથે સચોટ લાંબા એક્સ્ટ્ર્યુશન પ્રાપ્ત કરવું. ન્યુરલ ઇન્ફર્મેશન પ્રોસેસિંગ સિસ્ટમ્સ પર 37 મી કોન્ફરન્સ (ન્યુરિપ્સ 2023).
ફ્રેચાસ, પીઆર એટ અલ. જટિલ સ્પેટિઓટેમ્પરલ ગતિશીલતાની આગાહી કરવા માટે રિકરન્ટ ન્યુરલ નેટવર્કમાં બેકપ્રોપેગેશન અલ્ગોરિધમનો અને જળાશયની ગણતરી. ન્યુરલ નેટવર્ક. 126, 191–217 (2020).
રાયસી, એમ., પેરડિકરીસ, પી. અને કર્નિઆડાકિસ, જી.ઇ. ફિઝિક્સ, કમ્પ્યુટર સાયન્સ, ન્યુરલ નેટવર્ક: નોનલાઇનર આંશિક વિભેદક સમીકરણો સાથે સંકળાયેલ આગળ અને verse ંધી સમસ્યાઓ હલ કરવા માટે એક deep ંડા શિક્ષણ માળખું. જે કમ્પ્યુટર. ભૌતિકશાસ્ત્ર. 378, 686–707 (2019).
ગ્રોસમેન, ટીજી, કોમોરોસ્કા, યુજે, લૂટ્ઝ, જે., અને શ ö નલીબ, કે.બી. શું ભૌતિકશાસ્ત્ર આધારિત ન્યુરલ નેટવર્ક મર્યાદિત તત્વ પદ્ધતિઓથી આગળ નીકળી શકે છે? ઇમા જે. ગણિત. 89, 143–174 (2024).
ડી લા માતા, એફએફ, ગિજન, એ., મોલિના-સોલાના, એમ., અને ગ ó મેઝ-રોમેરો, જે. ફિઝિક્સ આધારિત ન્યુરલ નેટવર્ક માટે ડેટા-આધારિત મોડેલિંગ: ફાયદા, મર્યાદાઓ અને તકો. ભૌતિકશાસ્ત્ર. એ 610, 128415 (2023).
ઝુઆંગ, પી.વાય. અને બાર્બા, ફ્લુઇડ મોડેલિંગમાં ભૌતિકશાસ્ત્ર આધારિત ન્યુરલ નેટવર્ક પર પ્રયોગમૂલક અહેવાલ: મુશ્કેલીઓ અને નિરાશાઓ. પ્રીપ્રિન્ટ https://arxiv.org/abs/2205.14249 (2022) પર ઉપલબ્ધ છે.
વાંગ, એસ., યુ. જે કમ્પ્યુટર. ભૌતિકશાસ્ત્ર. 449, 110768 (2022).
કૃષ્ણપ્રિયાન, એ., ઘોલામી, એ., ઝે, એસ., કિર્બી, આર., અને મહોની, શારીરિક માહિતી ન્યુરલ નેટવર્કમાં સંભવિત નિષ્ફળતા મોડ્સની મેગાવોટ લાક્ષણિકતાઓ. ન્યુરલ ઇન્ફર્મેશન પ્રોસેસિંગ સિસ્ટમ્સ વોલ્યુમ પર 35 મી કોન્ફરન્સ. 34, 26548–26560 (ન્યુરિપ્સ 2021).
બસીર, એસ. અને સેનોકાક, આઇ. ભૌતિકશાસ્ત્ર આધારિત ન્યુરલ નેટવર્કમાં નિષ્ફળતા મોડ્સનો એક નિર્ણાયક અભ્યાસ. એઆઇએએ સ્કીટેક 2022 ફોરમ 2353 (આર્ક, 2022) માં.
કર્ણાકોવ પી., લિટ્વિનોવ એસ. અને કુમૌટાકોસ પી. સ્વતંત્ર નુકસાનને izing પ્ટિમાઇઝ કરીને શારીરિક in ંધી સમસ્યાઓનું નિરાકરણ: ન્યુરલ નેટવર્ક વિના ઝડપી અને સચોટ શિક્ષણ. પ્રક્રિયા. નેશનલ એકેડેમી Sci ફ સાયન્સ. વિજ્ .ાન. નેક્સસ 3, પીજીએઇ 1005 (2024).
એરોમાટેરિસ ઇ અને પીઅર્સન એ. સિસ્ટમેટિક સમીક્ષાઓ: એક વિહંગાવલોકન. હા. જે. નર્સિંગ 114, 53–58 (2014).
બેઝગિન ડી.એ., શ્મિટ એસ.જે. જે કમ્પ્યુટર. ભૌતિકશાસ્ત્ર. 437, 110324 (2021).
પોસ્ટ સમય: સપ્ટે -29-2024