Թուլ ելակետերը եւ հաշվետու կողմնակալությունը հանգեցնում են գերօգտագործման, հեղուկի հետ կապված մասնակի դիֆերենցիալ հավասարումների մեքենայով:

Շնորհակալություն Nature.com այցելելու համար: Դուք օգտագործում եք զննարկչի տարբերակը, ունի սահմանափակ CSS աջակցություն: Լավագույն արդյունքների համար խորհուրդ ենք տալիս օգտագործել ձեր զննարկչի (կամ հաշմանդամություն ունեցող համատեղելիության ռեժիմը Internet Explorer- ում) օգտագործել: Միեւնույն ժամանակ, շարունակական աջակցություն ապահովելու համար մենք կայքը ցույց ենք տալիս առանց ոճավորելու կամ JavaScript- ի:
Հաշվողական ֆիզիկայում մեքենայական ուսուցման առավել հեռանկարային դիմումներից մեկը մասնակի դիֆերենցիալ հավասարումների (PDES) արագացված լուծումն է: Մեքենայի ուսուցման վրա հիմնված մասնակի դիֆերենցիալ հավասարման լուծողի հիմնական նպատակը լուծումներ է առաջացնում, որոնք ճշգրիտ են ավելի արագ, քան ստանդարտ թվային մեթոդները `որպես ելակետային համեմատություն: Մենք նախ իրականացնում ենք մեքենայի ուսուցման գրականության համակարգված ակնարկ `մասնակի դիֆերենցիալ հավասարումների լուծման վերաբերյալ: Բոլոր փաստաթղթերը, որոնք հայտնում են ML- ի օգտագործումը հեղուկի մասնակի դիֆերենցիալ հավասարումները լուծելու եւ ստանդարտ թվային մեթոդների նկատմամբ գերակայություն պահանջելու համար, մենք թույլ ենք տվել 79% (60/76) թույլ բազայի հետ: Երկրորդ, մենք գտել ենք տարածված հաշվետու կողմնակալության ապացույցներ, մասնավորապես `արդյունքների հաշվետվության եւ հրապարակման կողմնակալության մեջ: Մենք եզրակացնում ենք, որ մասնակի դիֆերենցիալ հավասարումների լուծման վերաբերյալ մեքենայական ուսուցման հետազոտությունը չափազանց լավատես է. Թույլ մուտքի տվյալները կարող են հանգեցնել չափազանց դրական արդյունքների: Ընդհանուր առմամբ, այդ խնդիրները, կարծես, առաջացել են անցյալի վերարտադրելիության ճգնաժամերի հետ կապված գործոններով. Քննչական հայեցողություն եւ դրական արդյունքի կողմնակալություն: Մենք կոչ ենք անում ներքեւից մշակութային փոփոխություն `նվազագույնի հասցնելով շրջանցիկ հաշվետվությունը եւ վերեւից ներքեւ կառուցվածքային բարեփոխումները` այլասերված խթանելու համար:
Համակարգային ակնարկով առաջացած հեղինակների եւ հոդվածների ցուցակը, ինչպես նաեւ պատահական նմուշում յուրաքանչյուր հոդվածի դասակարգում, հանրային հասանելի է HTTPS://do.org/10.17605/osf.io/gq5b3 (Ref. 124):
Աղյուսակ 2-ում արդյունքները վերարտադրելու համար անհրաժեշտ ծածկագիրը կարելի է գտնել github- ում. Https://github.com/nickmcgreivy/weakbaselinesmlpde/ (հղում 125) եւ Օվկիանոսի կոդով. Https://codeocean.com/capsule/9605539/ Ծառ / V1 (հղում 126) եւ https://codeocean.com/capsule/0799002/tree/v1 (ՈՒղեցույց 127):
Randall, D., եւ Welser, K.
Ritchie, S. Science Fiction. Ինչպես կեղծիքներ, կողմնակալություն, լռություն եւ հիպեր քայքայում են ճշմարտության որոնումը (Vintage, 2020):
Բաց գիտական ​​համագործակցություն: Հոգեբանական գիտության մեջ վերարտադրելիության գնահատումը: Գիտություն 349, AAAC4716 (2015):
Prinz, F., Schlange, T., եւ Asadullah, K. Նուրբ Սբ. «Թմրամիջոցների հայտնաբերում»: 10, 712 (2011):
Begley, KG եւ Ellis, LM- ի բարձրացման ստանդարտները `նախնական քաղցկեղի ուսումնասիրության մեջ: Բնություն 483, 531-533 (2012):
Ա. Գելման եւ Է. Պեկեն, պատառաքաղային ուղիների այգի. Ինչու բազմակի համեմատությունները խնդիր են նույնիսկ առանց «ձկնորսության արշավախմբերի» կամ «P-Hacks», Vol. 348, 1-17 (Վիճակագրության բաժին, 2013):
Նոր հիմնարար ֆիզիկայի որոնման համար Կարապետգի, Գ., Կասեկա, Գ., Գ.Աչիչ, Բ., Ս. Նուրբ Ֆիզիկայի փիլիսոփայության դոկտոր: 4, 399-412 (2022):
Dara S, Damercherla S, Jadhav SS, Babu CM եւ Ahsan MJ. Թմրամիջոցների հայտնաբերման մեջ գտնվող մեքենայական ուսուցում. Վերանայում: Ատիկ. Intel. Ed. 55, 1947-1999 (2022):
Mather, AS եւ Coote, ML Deep Deep Issolume քիմիայի մեջ: J .Խիմիա: Տեղեկացնել: Մոդել: 59, 2545-2559 (2019):
Ռաջկոմար Ա., Դեկան J. եւ Kohan I. Մեքենայի ուսուցում բժշկության մեջ: Նոր Անգլիայի բժշկության ամսագիր: 380, 1347-1358 (2019):
Grimmer J, Roberts Me. Իսկ Stewart BM- ի ուսումը սոցիալական գիտություններում. ագնոստիկ մոտեցում: Rev. Ann Ball. science. 24, 395–419 (2021).
Անցնել, J .. et al. Կատարեք խիստ սպիտակուցային կառուցվածքի կանխատեսումներ, օգտագործելով այբուբեդ: Բնությունը 596, 583-589 (2021):
Գյունդերեն, Օե, Կոկլի, Կ. Preprint- ը մատչելի է https://arxiv.org/abs/2204.07610 (2022):
Scully, D., Snook, J., Wiltschko, A., եւ Rahimi, A. Winner's Curse. Էմպիրիկ ապացույցների արագության, առաջընթացի եւ խստության վրա (ICLR, 2018):
Armstrong, TG, Moffat, A., Webber, W., եւ Zobel, J. Ոչ հավելում.

Kapoor s. et al. Բարեփոխում. Գիտական ​​հաշվետվությունների ստանդարտներ, որոնք հիմնված են մեքենայի ուսուցման վրա: Preprint available at https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Corring, C., C., B. Անիմաստ համեմատություններ կարող են հանգեցնել բժշկական մեքենայի ուսման կեղծ լավատեսության: Plos One 12, E0184604 (2017):
Ռոբերտս, Մ., Et al. Ընդհանուր որոգայթներ եւ լավագույն փորձեր `մեքենայական ուսուցման օգտագործման համար` կրծքավանդակի ռենտգենյան ճառագայթներից եւ հաշվարկված տոմոգրաֆիկ օգտագործելու համար: Նուրբ Մաքս. Intel. 3, 199–217 (2021).
Winantz L. et al. Կանխատեսելի մոդելներ Covid-19 ախտորոշման եւ կանխատեսման համար. Համակարգային ակնարկ եւ քննադատական ​​գնահատում: BMJ 369, M1328 (2020):
Whalen S., Schreiber J., Noble WS եւ Pollard KS հաղթահարելով գենոմիկայում մեքենայական ուսուցման օգտագործման որոգայթները: Նուրբ Հովիվ գինետ: 23, 169-181 (2022):
Atris n. et al. Քիմիում մեքենայական ուսուցման լավագույն փորձը: Նուրբ Քիմիական: 13, 505-508 (2021):
Brunton SL- ը եւ Kutz JN- ը խոստումնալից ուղղություններ մասնակի դիֆերենցիալ հավասարումների մեքենայի ուսուցման համար: Նուրբ հաշվարկել: Գիտություն 4, 483-494 (2024):
Vinuesa, R. եւ Brunton, SL- ն բարելավում է հաշվողական հեղուկի դինամիկան մեքենայական ուսուցման միջոցով: Նուրբ հաշվարկել: Գիտություն 2, 358-366 (2022):
Comeau, S. et al. Գիտական ​​մեքենա սովորում է ֆիզիկապես տեղեկացված նյարդային ցանցերով. Որտեղ ենք մենք այժմ եւ հաջորդը: J. Գիտություն: հաշվարկել: 92, 88 (2022):
Duraisamy, K., Yaccarino, G., եւ Xiao, H. Turbulence մոդելավորում տվյալների դարաշրջանում: Վերանայված Էն. 51, 357-377 (2019):
Դուրրան, երկրաֆիզիկական հիդրոդինամիկայում ալիքի հավասարումների լուծման համար նախատեսված թվային մեթոդներ, հատոր: 32 (springer, 2013):
Միշրա, Ս. Մեքենաների ուսուցման շրջանակ `դիֆերենցիալ հավասարումների տվյալների վրա հիմնված հաշվարկը արագացնելու համար: Մաթեմատիկա: Ինժեներ https://do.org/10.3934/mine.2018.1.118 (2018):
Kochikov D. et al. Մեքենաների ուսուցում - Հաշվողական հեղուկի դինամիկայի արագացում: գործընթաց: Գիտությունների ազգային ակադեմիա: Գիտություն ԱՄՆ 118, E2101784118 (2021):
Քադապա, Կ. Համակարգչային գիտության եւ ճարտարագիտության ուսուցում - համառոտ ներկայացում եւ որոշ հիմնական խնդիրներ: Preprint- ը հասանելի է https://arxiv.org/abs/2112.12054 (2021):
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., and Zanna, L. Մեքենաների ուսուցման օվկիանոսի ենթավերնագիրն իդեալականացված մոդելների համեմատական ​​վերլուծություն: J.Adv. Մոդել: Երկրի համակարգը: 15. E2022MS003258 (2023):
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., Brandstetter, J. PDE Refination: 37-րդ գիտաժողով Նյարդային տեղեկատվության մշակման համակարգերի վերաբերյալ (Neurips 2023):
Frachas, PR et al. BackPropagation Algorithm եւ Reservoir հաշվարկը կրկնվող նյարդային ցանցերում `բարդ տարածքի բարդ դինամիկա կանխատեսելու համար: Նյարդային ցանց: 126, 191-217 (2020):
Raissi, M., Perdikaris, P. J. Համակարգիչ: Ֆիզիկա: 378, 686-707 (2019):
Grossmann, TG, Komorowska, UJ, Lutz, J., եւ Schönlieb, K.-B. Կարող են ֆիզիկայի վրա հիմնված նյարդային ցանցերը գերազանցել վերջավոր տարրերի մեթոդները: IMA J. դիմումներ: Մաթեմատիկա: 89, 143-174 (2024):
De La Mata, FF, Gijon, A., Molina-Solana, M., եւ Gómez-Romero, J. Ֆիզիկայի վրա հիմնված նյարդային ցանցեր տվյալների վրա հիմնված մոդելավորման համար. Առավելություններ, սահմանափակումներ եւ հնարավորություններ: Ֆիզիկա: 610, 128415 (2023):
Zhuang, P.-y. & Barba, La Escirical զեկույցը ֆիզիկայի վրա հիմնված նյարդային ցանցերի վերաբերյալ հեղուկի մոդելավորումում. Հանքավայրեր եւ հիասթափություններ: Նախաշեմին հասանելի է https://arxiv.org/abs/2205.14249 (2022):
Zhuang, P.-y. Իսկ Բարբա, LA- ն Vortex ձեւավորման վերաբերյալ ֆիզիկապես տեղեկացված նյարդային ցանցերի կանխատեսում է: Նախարարը մատչելի է https://arxiv.org/abs/2306.00230 (2023):
Վանգ, Ս. J. Համակարգիչ: Ֆիզիկա: 449, 110768 (2022):
Կրիշնապրիյան, Ա., Ղոլամի, Ա., Ժե, Ս., Կիրբի, Ռ., Ս. 35-րդ գիտաժողով Նյարդային տեղեկատվության մշակման համակարգերի վերաբերյալ Vol. 34, 26548-26560 (Neurips 2021):
Բասիր, Ս. Եւ Սենոկակ, I. ֆիզիկայի ոլորտում գործող Neural ցանցերում ձախողման ռեժիմների քննադատական ​​ուսումնասիրություն: AIAA SCITECH 2022 Forum 2353 (տապան, 2022):
Քարնակով Պ. գործընթաց: Գիտությունների ազգային ակադեմիա: Գիտություն Nexus 3, pgae005 (2024):
Գունդերսենը վերարտադրելիության հիմնական սկզբունքները: Phil.cross. R. Shuker. A 379, 20200210 (2021):
Aromataris E and Pearson A. Systematic reviews: an overview. Այո J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, եւ Rohde, K. Constraint- ի տեղակայված նյարդային ցանցեր Riemann- ի խնդրի համար: J. Համակարգիչ: Ֆիզիկա: 409, 109345 (2020).
Bezgin Da, Schmidt SJ եւ Adams NA տվյալների վրա հիմնված ֆիզիկապես տեղեկացված վերջավոր ծավալի միացում ոչ դասական նվազեցված լարման ցնցումների համար: J. Համակարգիչ: Ֆիզիկա: 437, 110324 (2021):