Spas ji bo serdana xwezayê.com. Guhertoya geroka ku hûn bi karanîna piştgiriya CSS-ê sînorkirî ye. Ji bo encamên çêtirîn, em pêşniyar dikin ku hûn guhertoyek nû ya geroka xwe bikar bînin (an jî moda lihevhatinê li Internet Explorer bikar bînin). Di vê navberê de, da ku piştgiriya domdar bicîh bikin, em bêyî stûn an javascript malperê nîşan didin.
Yek ji serlêdanên herî sozdar ên fêrbûna makîneyê di fîzîka computasyonê de çareseriya bilez a wekheviyên cihêreng ên parçeyî (pdes) e. Armanca sereke ya makîneyek fêrbûna hevokê ya ku ji bo hilberîna çareseriyên parçebûyî yên parçeyî ye ku çareseriyên ku ji rêbazên hejmar ên standard rasttir in ku ji bo xizmetkirina bingehîn a ku xizmet bikin. We first conduct a systematic review of the machine learning literature on solving partial differential equations. Ji hemî kaxezan re ragihandina ML-ê ji bo çareserkirina hevsengiyên cihêreng ên parçeyî û îdîaya serweriyê li ser rêbazên hejmar ên standard, me% 79 (60/76) li gorî bingehên qels nas kir. Second, we found evidence of widespread reporting bias, particularly in outcome reporting and publication bias. Em encam didin ku lêkolîna fêrbûna makîneyê li ser çareserkirina hevsengiyên parçeyî bi rengek xweşbîn e: Daneyên têkelê qels dikare bibe sedema encamên pir erênî, û ragihandina paragrafan dikare bibe sedema têkbirina encamên neyînî. In large part, these problems appear to be caused by factors similar to past reproducibility crises: investigator discretion and positive outcome bias. Em banga guhartina çandî ya jêrîn dikin da ku raporkirina binavkirî û reforma jêrîn-jêrîn kêm bikin da ku ji wan re bikin.
Navnîşa nivîskaran û gotarên ku ji hêla nirxandina sîstematîk ve têne çêkirin, û her weha kategoriya her gotarê di nimûneya birêkûpêk de, li https://doi.org/10.17605/OSF.io/GQ5B3 (Ref. 124).
Koda hewce ye ku encamên di Table 2 de nûvekirin li ser GITHUB-ê were dîtin: https://github.com/NICKMCGREIVY/WeAkbaselinesMLPde/ (Ref. 125) û li ser Okyanûsa Code: https://codeocean.com/capsule/960539/ Dara / V1 (girêdan 126) û https://codeocean.com/capsule/0799002/tree/v1 (Link 127).
Randall, D., û Welser, K., Krîza irreproducibility Di zanistiya nûjen de: Sedem, encamên û rêgezên ji bo reform (Komeleya Neteweyî ya zanyaran, 2018).
Ritchie, S. Fiction Science: Howiqas xapînok, bias, bêdeng, û hype li lêgerîna rastiyê (vintage, 2020).
Hevkariya zanistî vekin. Nirxandina di zanistiya psîkolojîk de. Zanist 349, AAAC4716 (2015).
Prinz, F., Schlange, T., û Asadullah, K. bawer bikin an na: Ma em çiqas dikarin li ser armancên dermanên potansiyel li ser daneyên weşandî bikin? Nat. Rev. "Discovery of narkotîkan." 10, 712 (2011).
Begley, KG û Ellis, LM di lêkolîna penceşêrê ya penceşêrê de standard zêde dike. Nature 483, 531-533 (2012).
A. Gelman û E. Loken, Baxçeyê Pir Piran: Whyima hevahengiyên pirjimar pirsgirêk in ku bêyî "rêwerzên masîvaniyê" an "p-hacks" û hîpotezên lêkolînê yên pêşgotinî, vol. 348, 1-17 (Wezareta Statgeha, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., û shi, D. Fêrbûna makîneyê di lêgerîna fîzîkên bingehîn ên bingehîn de. Nat. Doktorê felsefeyê di fîzîkê de. 4, 399-412 (2022).
Dara S, Damercherla S, Jadhav Ss, Babu CM and Ahsan Mj. Fêrbûna makîneyê di lêgerîna narkotîkê de: Nirxek. Atif. Intel. Ed. 55, 1947-1999 (2022).
Mather, wekî û coote, ML fêrbûna kûr li kîmya. J.Chemistry. agahdan. Cins. 59, 2545–2559 (2019).
Rajkomar A., Dean J. And Kohan I. Fêrbûna Makîneyê Di Dermanê de. New England Dermanê Nû. 380, 1347-1358 (2019).
Grimmer J, minûl dike. û Stewart BM Makîneya Makîneyê Di Zanistên Civakî de: Helwestek Agnostîk. Rev. Ann Ball. zanist. 24, 395-419 (2021).
Jump, J. Et Al. Pêşbîniyên strukturên proteîn ên pir rast bikin ku bi karanîna alfafold. Nature 596, 583-589 (2021).
Scully, D., Snook, J., Wiltschko, A., û Rahimi, A. Nifşê Winner? Li ser leza, pêşkeftin û hişkiya delîlên empirîkî (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, J. Zehfên Zêde: Ji 1998-an û pê ve encamên lêgerîna pêşîn. Konferansa ACM ya 18-ê li ser rêveberiya agahdarî û zanîngehê 601-610 (ACM 2009).
Kapoor, S. û Narayanan, A. Leakage û Kevirên Reproducibility Di Zanistiya Fêrbûna Makîneyê de. Mînak, 4, 100804 (2023).
Kapoor S. Et Al. Reform: Standardên ragihandina zanistî li ser bingeha fêrbûna makîneyê. Pêşgotin li https://arxiv.org/Abs/2308.07832 (2023) heye.
DEMASI, O., Cording, C., û Recht, B. Berhevkarên bêwate dikarin di fêrbûna makîneya bijîjkî de ji bo xweşbîniya derewîn bibin. Plos yek 12, E0184604 (2017).
Roberts, M., et al. Common pitfalls and best practices for using machine learning to detect and predict COVID-19 from chest x-rays and computed tomography. Nat. Max. Intel. 3, 199-217 (2021).
Winantz L. Et Al. Modelên pêşbînîn ji bo tespîtkirin û pêşbînîkirina Covid-19: Nirxandina sîstematîkî û nirxandina krîtîk. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble Ws û Pollard Ks Bi Kevirên Bikaranîna Makîneyê di Genomics de derbas dibe. Nat. Pastor Ginette. 23, 169-181 (2022).
Atris N. Et Al. Pratîkên çêtirîn ên ji bo fêrbûna makîneyê li Kîmya. Nat. Kîmyewî. 13, 505-508 (2021).
Brunton SL û Kutz Jn sozên ji bo fêrbûna makîneyê ya wekheviyên cihêreng ên parçebûyî. Nat. hesab bikin. zanist. 4, 483-494 (2024).
Vinuesa, R. and Brunton, Sl baştirkirina dînamîkên laşî yên bi riya makîneyê. Nat. hesabkirin. zanist. 2, 358-366 (2022).
Comeau, S. Et Al. Makîneya zanistî fêrbûna bi torên neuralî yên bi zimanî re: li ku derê em niha û çi next in. J. Zanist. hesab bikin. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., YIao, H. Modeling Modeling H. Turbulence Modeling in the Data. Edition of Ann. 51, 357-377 (2019).
Durran, Dr Gonenical Ji bo çareserkirina Wave Wave di hîdrodynamics, vol. 32 (Springer, 2013).
Mishra, S. Mêvargehek fêrbûna makîneyê ji bo bilezkirina daneya danûstendina hevsengiyên cûrbecûr. rîyaze. hendese. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et al. Fêrbûna Makîneyê - Leza leza dînamîkên laşî yên computîkî. doz. Akademiya Zanistî ya Neteweyî. zanist. DY 118, E2101784118 (2021).
Kadapa, K. Makîneya ji bo zanistiya computer û endezyariyê - danasînek kurt û hin pirsgirêkên sereke. Preprint available at https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., Z Zanna, L. analîzkirina parçebûyî ya makîneya parameterization ya deryayê di modelên îdeal de. J.Adv. Cins. pergala erdê. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., û Brandstetter, Refinement J. Pde Konferansa 37emîn li ser pergalên pêvajoyê yên agahdariya neural (neurips 2023).
Frachas, PR ET AL. Backropagation Algorithm û hesabkirina rezervan di nav torên neuralî yên dubare yên ji bo pêşbînîkirina dînamîkên spatiotemporasyona tevlihev. Tora Neural. 126, 191-217 (2020).
Raissi, M., Perdikaris, P. û Karniadakis, GE Fizîkî, Tora Neteweyên Yekbûyî: Ji bo çareserkirina pirsgirêkên pêşeng ên ne-birêkûpêk, çarçoveya hînbûnê ya kûr. J. Computer. Fizîk. 378, 686-707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., and Schönlieb, K.-B. Ma hûn dikarin bi rêgezên elementa fîzîkî-fîzîkî ji hev dernekevin? Ima J. Serlêdan. mathematics. 89, 143–174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M., G Gómez-Romero, J. Tora Neural-Fizolojî ya ji bo Modeling Data-Drav: Feydant, sînorkirin, û derfetên. Fizîk. A 610, 128415 (2023).
Zhuang, P.-y. & Barba, La raportek empirîkî ya li ser torên neuralî yên fîzîkî yên li Modeling flual: Pitfalls û bêhêvîtiyan. Pêşgotin li https://arxiv.org/Abs/2205.14249 (2022) heye.
Zhuang, P.-y. û Barba, sînorên pêşbînîk ên LA yên torgilokên neural ên fîzîkî yên li ser damezrandina vortex agahdar kirin. Pêşgotin li https://arxiv.org/Abs/2306.00230 (2023) heye.
Wang, S., Yu, H., û Perdikaris, P. Kengê û çima Pinns to Train: perspektîfek nucleus a nucleus a neural. J. Computer. Fizîk. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., and Mahoney, MW Konferansa 35emîn li ser pergalên pêvajoyê yên agahdariya neural vol. 34, 26548-26560 (neurips 2021).
Basir, S. û Senokak, I. Lêkolînek krîtîk a modên têkçûnê di nav torên neural ên fîzîkî de. Li Aiaa SciTech 2022 Forum 2353 (Ark, 2022).
Karnakov P., Litvinov S. and Koumoutsakos P. Solving Pirsgirêkên dijber ên laşî bi optimizkirina windahiyên veqetandî: Fêrbûna zû û rastîn bêyî tora bêalî. doz. Akademiya Zanistî ya Neteweyî. zanist. Nexus 3, pgae005 (2024).
Gundensen OE prensîbên bingehîn ên ji nûvekirinê. Phil.Cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E û Pearson A. Nirxên Sîstematîkî: Pêşkêşiyek. Erê. J. Hemrruay 114, 53-58 (2014).
Bezgin da, Schmidt Sj û Adams NA Data-Driven ji fîzîkî ya fîzîkî ya ku ji bo şokên voltaja ne-klasîk a kêm-klasîk agahdar kirin. J. Computer. Fizîk. 437, 110324 (2021).
Demjimêra paşîn: Seplon 29-2024