Matur nuwun kanggo Visiting Nature.com. Versi Browser sing digunakake wis diwatesi dhukungan CSS. Kanggo asil sing paling apik, disaranake sampeyan nggunakake versi anyar browser (utawa mateni mode kompatibilitas ing Internet Explorer). Ing sawetoro wektu, kanggo njamin dhukungan, kita nuduhake situs tanpa gaya utawa JavaScript.
Salah sawijining aplikasi belajar mesin sing paling njanjeni babagan fisika komputasi yaiku solusi peralatan sing disepelekake saka persamaan diferensi sebagean (PDD). Tujuan utama Solver Pertama Bebarengan Pembelajaran mesin yaiku ngasilake solusi sing cukup luwih cepet tinimbang metode angka standar supaya bisa dibandhingake. We first conduct a systematic review of the machine learning literature on solving partial differential equations. Kabeh kertas sing nglaporake panggunaan ML kanggo ngrampungake persamaan diferensial fluid lan nuntut imbang angka standar, kita ngidentifikasi 79% (60/76) dibandhingake karo garis binatangan sing lemah. Kapindho, kita nemokake bukti laporan bias sing nyebar, utamane ing laporan hasil lan bias publikasi. Kita nyimpulake panaliten belajar mesin kanggo ngrampungake persamaan diferensial partial banget optimis: data input lemah bisa nyebabake asil sing penting, lan nglaporake BIAS bisa nyebabake asil sing negatif. Ing bagean gedhe, masalah kasebut katon amarga faktor sing padha karo krisis reprozib: Distribusi investigator: Distribusi investigator lan bias positif. Kita ngarani owah-owahan budaya-munggah kanggo nyilikake laporan laporan bias lan pembaharuan struktural ndhuwur kanggo nyuda insenvert sing kudu ditindakake.
Dhaptar penulis lan artikel sing digawe saka review sistematis, uga klasifikasi saben artikel ing conto acak, kasedhiya ing sacara umum ing https://doi.org/10.17605/Og5B3 (Ref. 124).
Kode sing dibutuhake kanggo ngasilake asil ing Tabel 2 bisa ditemokake ing Github: https://githubaselines/weakbaselines/weakbaselines.com/capsule/9605539/ Tree / v1 (Link 126) lan https://codeocean.com/capsule/0799002/Tree/v1 (link 127).
Randall, D., lan Welser, K., krisis sing ora anaroduksi ing ilmu modern: Pucuk, akibat, lan jalur kanggo Reformasi (Asosiasi Nasional National Of Ilmuwan, 2018).
Ritchie, S. Ilmu Ilmu S.: Kepiye penipuan, bias, meneng, lan hype ngrusak telusuran sing bener (Vintage, 2020).
Bukak kolaborasi ilmiah. Netepke reproducibility ing ilmu psikologis. Ilmu 349, AAAC4716 (2015).
Prinz, F., Schlange, T., lan Asadullah, K. Pracaya utawa ora: pira regane kanggo nerbitake data sing ana ing target obat? NAT. Pdt. "Panemuan obat." 10, 712 (2011).
Begley, KG lan Ellis, nambah standar ing riset kanker preclinical. Alam 483, 531-533 (2012).
A. Gelman lan E. 348, 1-17 (Jabatan Statistik, 2013).
Dara S, Damercherla s, Jadhav SS, Babu cm lan Ahsan MJ. Pembelajaran Mesin ing Discovery Obat: Review. ATIF. Intel. Ed. 55, 1947-1999 (2022).
Mather, kaya lan adhem, mull jero sinau ing kimia. J.Chemistry. Menehi pengiriman. Model. 59, 2545-2559 (2019).
Rajkomar A., Dean J. lan Kohan I. Pembelajaran Mesin ing Kedokteran. Jurnal Kedokteran Anyar. 380, 1347-1358 (2019).
Grimmer j, robert aku. Lan sinau mesin mesin bm ing mesin sosial: pendekatan sing agnosik. Rev. Bola Bola. Ilmu. 24, 395-419 (2021).
Jump, J. et al. Priksa ramalan struktur protein sing tepat kanthi nggunakake alfail. Alam 596, 583-589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., lan Gil, Y. Sumber Tanpa Ilreproducibility Mesin Learning: Review. Prentah kasedhiya ing https://tarxiv.org/abs/2204.07610 (2022).
Scully, D., SNook, J., Wiltschko, A., lan Rahimi, A. kutukan pemenang? Ing kecepatan, kemajuan lan kaku saka bukti empiris (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., lan Zobel, J. Konferensi Panelusuran awal wiwit taun 1998. Konferensi ACM Kawicaksanan wiwit taun 1998.
Kapoor, S. lan Narayanan, A. Bocak lan reproduksi krisis ing ilmu belajar mesin. Pola, 4, 100804 (2023).
Kapoor S. et al. Pembaharuan: standar laporan ilmiah adhedhasar belajar mesin. Pribram kasedhiya ing https://tarxiv.org/abs/2308.07832 (2023).
Demeri, O., Cording, C., lan Recht, B. Bandingake artine bisa nyebabake optimisme palsu ing belajar mesin medis. Plos Siji 12, E0184604 (2017).
Roberts, M., et al. Pintilit umum lan praktik sing paling apik kanggo nggunakake Pembelajaran Mesin kanggo ndeteksi lan prédhiksi COVID-19 saka sinar X-Rays lan tomografi sing dikitung. NAT. Max. Intel. 3, 199-217 (2021).
Winantz L. et al. Model ramalan kanggo diagnosis lan ramalan saka Covid-19: review sistematis lan penilaian kritis. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble Ws lan Pollard KS ngatasi pitfalls nggunakake belajar mesin ing genomik. NAT. Pastor Ginette. 23, 169-181 (2022).
Atris N. et al. Praktek Paling Apik kanggo Pembelajaran Mesin ing Kimia. NAT. Kimia. 13, 505-508 (2021).
Brunton SL lan Kutz Jn Janji arah sinau babagan persamaan diferensi sebagean. NAT. ngetung. Ilmu. 4, 48-494 (2024).
Vinuesa, R. lan Brunton, dinamika cairan komputasi SL liwat sinau mesin. NAT. ngetung. Ilmu. 2, 358-366 (2022).
Condha, S. et al. Pembelajaran mesin ilmiah kanthi jaringan saraf saraf kanthi fisik: ing ngendi saiki kita lan apa sing sabanjure. J. Ilmu. ngetung. 92, 88 (2022).
Duaisamy, K., Yaccarino, G., lan Xiao, Modad model ing jaman data. Edisi diowahi saka Ann. 51, 357-377 (2019).
Cara Durran, Dr Numerical Metode Kanggo Ngatasi Perayaan Wave ing Hydroynamis Geofisika, Vol. 32 (Springer, 2013).
Mishra, S. Kerangka belajar mesin kanggo nyepetake komputasi data sing didorong saka persamaan diferensial. Matematika. engineer. https://doi.org/10.3934/mine.2018.1.11 (2018).
Kochikov d. et al. Pembelajaran Mesin - Nyepetake dinamika cairan komputasi. proses. Akademi Ilmu Nasional. Ilmu. US 118, E2101784118 (2021).
Kadapa, K. Mesin Pembelajaran kanggo Ilmu Komputer lan Teknik Komputer - Pambuka ringkes lan sawetara masalah utama. Premium kasedhiya ing https://tarxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., lan Zanna, L. Analisasi komparatif mesin ing model sing cocog. J.Adv. Model. Sistem Bumi. 15 .. e2022ms00588 (2023).
Lippe, p., wieling, B., perdikaris, p., turner, R., lan brandstetter, PDE PDE Refinement: Entuk extrusi dawa sing tepat karo Solver Neural PDE. Konferensi kaping 37 ing sistem pangolahan informasi neural (Neurips 2023).
Frachas, PR et al. Algoritma backpropasi lan pitungan reservoir ing jaringan saraf sing terus-terusan kanggo prédhiksi dinamika spiotemporal. Jaringan saraf. 126, 191-217 (2020).
Raissi, M., Perdikaris, P. Lan Karniadakis, GE Fisika, Ilmu Komputer, Jaringan belajar jero kanggo ngrampungake masalah bedane sebagean nonlinear. J. Komputer. Fisika. 378, 686-707 (2019).
Grossmann, TG, Komolowska, Uj, Lutz, J., lan Schönlieb, K.-B. Apa jaringan saraf basis fisika sing bisa nggunakake metode unsur unsur finansial? Aplikasi ima j.. Matematika. 89, 143-174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M., lan J. Jaringan saraf adhedhasar fisika kanggo modeling data sing didorong: kaluwihan, lan kesempatan. Fisika. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, laporan empiris babagan jaringan saraf saraf fisika ing cairan modeling: cuciglex lan kuciwa. Pribram kasedhiya ing https://tarxiv.org/abs/2205.1449 (2022).
Zhuang, P.-Y. Lan Barba, LA prediksi watesan ing jaringan saraf saraf fisik ing formasi vortex. Prentah kasedhiya ing https://tarxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., lan perdikaris, P. Nalika lan ngapa kenthel gagal nglatih: perspektif inti tangen neural. J. Komputer. Fisika. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., lan Mahoney, karakter MW Cacerman ing jaringan neural informasi fisik informasi. Konferensi 35 ing sistem pangolahan informasi neural vol. 34, 26548-26560 (neurips 2021).
Basir, S. Lan Senokak, I. Sinau kritis kanthi cara gagal gagal ing jaringan saraf ing fisika. Ing AIAA Scitech 2022 Forum 2353 (Ark, 2022).
Karnakov P., Litvinov S. lan Koumoutskios P. Ngatasi masalah tumindak fisik kanthi ngoptimalake rugi sing cepet: Pembelajaran sing cepet lan akurat tanpa jaringan saraf. proses. Akademi Ilmu Nasional. Ilmu. Nexus 3, PGAE005 (2024).
Gundersen oe prinsip dhasar reproducibility. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E and Pearson A. Systematic reviews: an overview. Ya. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, lan Rohde, K. Kontrol NEGAL SEARCTSTRAINTER SEARCHER kanggo Masalah Riemann. J. Komputer. Fisika. 409, 109345 (2020).
Bezgin Da, Schmidt SJ lan Adams na Data sing didorong kanthi fisik ngandhani circuit volume kanthi volume kanggo kejut voltase non klasik. J. Komputer. Fisika. 437, 110324 (2021).
Wektu Pos: Sep-29-2024