სუსტი საწყისები და მიკერძოებულობის შესახებ იწვევს სითხესთან დაკავშირებული ნაწილობრივი დიფერენციალური განტოლებების მანქანათმცოდნეობის ზედმეტ ოპტიმიზმს.

გმადლობთ Nature.com– ის მონახულებისათვის. ბრაუზერის ვერსიას, რომელსაც თქვენ იყენებთ, აქვს შეზღუდული CSS მხარდაჭერა. საუკეთესო შედეგებისთვის, გირჩევთ გამოიყენოთ თქვენი ბრაუზერის ახალი ვერსია (ან გამორთოთ თავსებადობის რეჟიმი Internet Explorer- ში). იმავდროულად, მიმდინარე მხარდაჭერის უზრუნველსაყოფად, ჩვენ ვაჩვენებთ საიტს სტილის ან JavaScript– ის გარეშე.
გამოთვლითი ფიზიკაში მანქანათმცოდნეობის ერთ -ერთი ყველაზე პერსპექტიული პროგრამა არის ნაწილობრივი დიფერენციალური განტოლების დაჩქარებული გადაწყვეტა (PDEs). მანქანათმცოდნეზე დაფუძნებული ნაწილობრივი დიფერენციალური განტოლების გამხსნელის მთავარი მიზანია ისეთი გადაწყვეტილებების წარმოება, რომლებიც საკმარისია უფრო სწრაფად, ვიდრე სტანდარტული რიცხვითი მეთოდები, რომლებიც ემსახურებიან საწყის შედარებას. ჩვენ პირველ რიგში ვატარებთ მანქანათმცოდნეობის ლიტერატურის სისტემატურ მიმოხილვას ნაწილობრივი დიფერენციალური განტოლებების გადაჭრის შესახებ. ყველა ნაშრომიდან, რომელიც აფიქსირებს ML– ს გამოყენებას სითხის ნაწილობრივი დიფერენციალური განტოლების გადასაჭრელად და სტანდარტული რიცხვითი მეთოდების უპირატესობის მოთხოვნით, ჩვენ დავადგინეთ 79% (60/76) შედარებით სუსტი საწყისები. მეორე, ჩვენ აღმოვაჩინეთ ფართოდ გავრცელებული მიკერძოების მტკიცებულება, განსაკუთრებით შედეგების საანგარიშო და გამოქვეყნების მიკერძოებაში. ჩვენ დავასკვნათ, რომ მანქანების სწავლის კვლევა ნაწილობრივი დიფერენციალური განტოლების გადაჭრის შესახებ ზედმეტად ოპტიმისტურია: სუსტი შეყვანის მონაცემებმა შეიძლება გამოიწვიოს ზედმეტად დადებითი შედეგები, ხოლო მიკერძოების ანგარიშგებამ შეიძლება გამოიწვიოს უარყოფითი შედეგების დაქვეითება. უმეტესწილად, ეს პრობლემები გამოწვეულია წარსული რეპროდუქციულობის კრიზისების მსგავსი ფაქტორებით: გამომძიებლის შეხედულებისამებრ და შედეგების დადებითი მიკერძოება. ჩვენ მოვუწოდებთ ქვემოდან კულტურულ ცვლილებებს, რომ შემცირდეს მიკერძოებული რეპორტაჟი და ზემოდან ქვემოთ სტრუქტურული რეფორმა, რათა შეამციროს პერვერსიული სტიმულირება ამისათვის.
სისტემური მიმოხილვის მიერ წარმოქმნილი ავტორთა და სტატიების სია, აგრეთვე შემთხვევითი ნიმუშის თითოეული სტატიის კლასიფიკაცია, საჯაროდ არის ხელმისაწვდომი https://doi.org/10.17605/osf.io/gq5b3 (Ref. 124).
ცხრილი 2 -ში შედეგების რეპროდუცირების საჭირო კოდი შეგიძლიათ იხილოთ github– ზე: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (Ref. 125) და კოდზე ოკეანეში: https://codeocean.com/capsule/9605539/ ხე/ V1 (ბმული 126) და https://codeocean.com/capsule/0799002/tree/v1 (ბმული 127).
რანდალი, დ. და უელსერი, კ.
Ritchie, S. სამეცნიერო ფანტასტიკა: როგორ თაღლითობა, მიკერძოება, დუმილი და ჰიპები ძირს უთხრის ჭეშმარიტების ძიებას (რთველი, 2020).
ღია სამეცნიერო თანამშრომლობა. რეპროდუქციულობის შეფასება ფსიქოლოგიურ მეცნიერებაში. მეცნიერება 349, AAAC4716 (2015).
პრინზი, ფ. ნატ. ნეტარი "ნარკოტიკების აღმოჩენა". 10, 712 (2011).
Begley, KG და Ellis, LM ამაღლების სტანდარტები პრეკლინიკური კიბოს კვლევაში. ბუნება 483, 531–533 (2012).
A. Gelman and E. Loken, Forking ბილიკების ბაღი: რატომ არის მრავალჯერადი შედარება პრობლემა "თევზაობის ექსპედიციების" ან "P-Hacks" და "P-Hacks" და წინასწარი კვლევის ჰიპოთეზების გარეშე, ტომი. 348, 1–17 (სტატისტიკის დეპარტამენტი, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., and Shi, D. Machine Learning ახალი ფუნდამენტური ფიზიკის მოსაძებნად. ნატ. ფილოსოფიის ექიმი ფიზიკაში. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM და Ahsan MJ. მანქანა სწავლა ნარკომანიის აღმოჩენაში: მიმოხილვა. ატიფ. Intel. ედ. 55, 1947–1999 (2022).
Mather, AS და COOTE, ML ღრმა სწავლა ქიმიაში. J.Cemistry. აცნობეთ. მოდელი. 59, 2545–2559 (2019).
Rajkomar A., ​​Dean J. and Kohan I. მანქანათმცოდნე მედიცინაში. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts Me. და სტიუარტ BM მანქანების სწავლა სოციალურ მეცნიერებებში: აგნოსტიკური მიდგომა. Rev. Ann Ball. მეცნიერება. 24, 395–419 (2021).
ნახტომი, ჯ. Et al. გააკეთეთ ძალიან ზუსტი ცილის სტრუქტურის პროგნოზები ალფაფოლდის გამოყენებით. ბუნება 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., and Gil, Y. გამოუსწორებლობის წყაროები მანქანაში სწავლაში: მიმოხილვა. Preprint ხელმისაწვდომია https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., and Rahimi, A. Winner's Curse? ემპირიული მტკიცებულებების სიჩქარის, პროგრესისა და სიმკაცრის შესახებ (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., and Zobel, J. არა-დანამატის გაუმჯობესებები: წინასწარი ძიების შედეგები 1998 წლიდან. მე -18 ACM კონფერენცია ინფორმაციისა და ცოდნის მენეჯმენტის შესახებ 601–610 (ACM 2009).
Kapoor, S. and Narayanan, A. გაჟონვა და რეპროდუქციულობის კრიზისი მანქანაში სწავლის საფუძველზე. შაბლონები, 4, 100804 (2023).
Kapoor S. et al. რეფორმა: სამეცნიერო ანგარიშგების სტანდარტები, რომლებიც დაფუძნებულია მანქანულ სწავლაზე. Preprint ხელმისაწვდომია https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C. და Relht, B. უაზრო შედარებებმა შეიძლება გამოიწვიოს ცრუ ოპტიმიზმი სამედიცინო მანქანების სწავლაში. PLOS ONE 12, E0184604 (2017).
რობერტსი, მ., და სხვ. საერთო ხარვეზები და საუკეთესო პრაქტიკა მანქანათმცოდნეობის გამოყენების მიზნით, CovID-19 გულმკერდის რენტგენის სხივებისგან და გამოთვლითი ტომოგრაფიიდან. ნატ. მაქსიმ. Intel. 3, 199–217 (2021).
Winantz L. et al. პროგნოზირებადი მოდელები CovID-19- ის დიაგნოზირებისა და პროგნოზისთვის: სისტემატური მიმოხილვა და კრიტიკული შეფასება. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS და Pollard KS გადალახეს გენომიკაში მანქანათმცოდნეობის გამოყენების ხარვეზები. ნატ. პასტორ ჯინეტი. 23, 169–181 (2022).
Atris N. et al. საუკეთესო პრაქტიკა ქიმიაში მანქანათმცოდნეობისთვის. ნატ. ქიმიური. 13, 505–508 (2021).
Brunton SL და Kutz JN პერსპექტიული მიმართულებები ნაწილობრივი დიფერენციალური განტოლების მანქანათმცოდნეობისთვის. ნატ. გამოთვალეთ. მეცნიერება. 4, 483–494 (2024).
Vinuesa, R. and Brunton, SL აუმჯობესებს გამოთვლითი სითხის დინამიკას მანქანათმცოდნეობის საშუალებით. ნატ. გამოთვალეთ. მეცნიერება. 2, 358–366 (2022).
Comeau, S. et al. სამეცნიერო მანქანების სწავლა ფიზიკურად ინფორმირებული ნერვული ქსელებით: სად ვართ ახლა და რა არის შემდეგი. J. Science. გამოთვალეთ. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., and Xiao, H. ტურბულენტობის მოდელირება მონაცემთა ეპოქაში. შესწორებული გამოცემა ენ. 51, 357–377 (2019).
Durran, DR რიცხვითი მეთოდები გეოფიზიკური ჰიდროდინამიკაში ტალღის განტოლების გადასაჭრელად, ტომი. 32 (Springer, 2013).
Mishra, S. მანქანათმცოდნეობის ჩარჩო დიფერენციალური განტოლების მონაცემთა ორიენტირებული გამოთვლების დაჩქარებისთვის. მათემატიკა. ინჟინერი. https://doi.org/10.3934/mine.2018.1.118 (2018).
კოჩიკოვი დ. Et al. მანქანათმცოდნე - გამოთვლითი სითხის დინამიკის აჩქარება. პროცესი. მეცნიერებათა ეროვნული აკადემია. მეცნიერება. აშშ 118, E2101784118 (2021).
Kadapa, K. მანქანათმცოდნე კომპიუტერული მეცნიერებისა და ინჟინერიისთვის - მოკლე შესავალი და რამდენიმე ძირითადი საკითხი. Preprint ხელმისაწვდომია https://arxiv.org/abs/2112.12054 (2021).
როსი, ა., ლი, ზ., პერეჟოგინი, პ. J.Adv. მოდელი. დედამიწის სისტემა. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., and Brandstetter, J. PDE დახვეწა: ზუსტი გრძელი ექსტრუზიის მიღწევა ნერვული PDE გამხსნელით. 37 -ე კონფერენცია ნერვული ინფორმაციის დამუშავების სისტემების შესახებ (Neurips 2023).
Frachas, Pr et al. უკანა ტრანსპორტირების ალგორითმი და რეზერვუარის გაანგარიშება განმეორებით ნერვულ ქსელებში რთული სპატიოტემორალური დინამიკის პროგნოზირებისთვის. ნერვული ქსელი. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. and Karniadakis, GE ფიზიკა, კომპიუტერული მეცნიერება, ნერვული ქსელები: ღრმა სასწავლო ჩარჩო წინსვლის და ინვერსიული პრობლემების გადასაჭრელად, რომელიც მოიცავს არაწრფივი ნაწილობრივი დიფერენციალური განტოლებების. J. კომპიუტერი. ფიზიკა. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., and Schönlieb, K.-B. შეუძლია თუ არა ფიზიკაზე დაფუძნებულმა ნერვულმა ქსელებმა აღემატებოდეს სასრული ელემენტების მეთოდებს? IMA J. პროგრამები. მათემატიკა. 89, 143–174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M., and Gómez-Romero, J. ფიზიკაზე დაფუძნებული ნერვული ქსელები მონაცემთა ორიენტირებული მოდელირებისთვის: უპირატესობები, შეზღუდვები და შესაძლებლობები. ფიზიკა. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA ემპირიული ანგარიში ფიზიკაზე დაფუძნებული ნერვული ქსელების შესახებ სითხის მოდელირებაში: ნაკლოვანებები და იმედგაცრუებები. Preprint ხელმისაწვდომია https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. და BARBA, LA- ს ფიზიკურად ინფორმირებული ნერვული ქსელების პროგნოზირებადი შეზღუდვები Vortex- ის წარმოქმნაზე. Preprint ხელმისაწვდომია https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., and Perdikaris, P. როდის და რატომ ვერ ვარჯიშობენ Pinns: ნერვული tangent ბირთვების პერსპექტივა. J. კომპიუტერი. ფიზიკა. 449, 110768 (2022).
კრიშნაპრიანი, ა., გოლამი, ა., ჟე, ს. 35 -ე კონფერენცია ნერვული ინფორმაციის დამუშავების სისტემების შესახებ ტომი. 34, 26548–26560 (Neurips 2021).
Basir, S. and Senokak, I. ფიზიკაზე დაფუძნებული ნერვული ქსელების უკმარისობის რეჟიმების კრიტიკული შესწავლა. AIAA Scitech 2022 Forum 2353 (Ark, 2022).
კარნაკოვი პ. პროცესი. მეცნიერებათა ეროვნული აკადემია. მეცნიერება. Nexus 3, PGAE005 (2024).
Gundersen OE რეპროდუქციულობის ძირითადი პრინციპები. Phil.Cross. რ შუკერი. A 379, 20200210 (2021).
არომატარიის E და Pearson A. სისტემატური მიმოხილვები: მიმოხილვა. დიახ. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Heshaven, JS, and Rohde, K. შეზღუდული ინფორმაციის ნერვული ქსელები Riemann– ის პრობლემისთვის. J. კომპიუტერი. ფიზიკა. 409, 109345 (2020).
Bezgin DA, Schmidt SJ და Adams NA მონაცემთა მონაცემებზე ორიენტირებული ფიზიკურად ინფორმირებული სასრული მოცულობის წრე არა კლასიკური შემცირებული ძაბვის შოკისთვის. J. კომპიუტერი. ფიზიკა. 437, 110324 (2021).