Жаратылыштын маалыматы үчүн рахмат. Сиз колдонуп жаткан браузердин версиясы чектелген CSS колдоосу менен чектелген. Эң жакшы натыйжалар үчүн, браузериңиздин жаңы версиясын колдонууну сунуштайбыз (же Интернет-эксплуатациялык шайкештик режимин өчүрүү). Ал ортодо, үзгүлтүксүз колдоо көрсөтүү үчүн, биз сайтты стилдөө же JavaScript жок көрсөтүп жатабыз.
Компанияны үйрөнүүнүн эң келечектүү колдонмолорунун эң көп колдонмолорунун бири - бул жарым-жартылай дифференциалдык теңдемелердин (PDES) тездетилген чечими. Машинанын окутуусуна негизделген жарым-жартылай дифференциалдык теңдеменин эң негизги максаты - бул баштапкы салыштыруу катары кызмат кылуу үчүн стандарттык сандык ыкмаларга караганда тезирээк чечим чыгаруу. Биринчи дифференциалдык теңдемелерди чечүү боюнча адабияттарды окутуучу машинаны окутуучуга системалуу түрдө карап чыгабыз. Мүлктү колдонуу үчүн ML колдонуу жөнүндө отчет берүү, суюктук жарым-жартылай дифференциалдык айырмачылыкты чечүү жана стандарттык сандык методдордун үстүнөн артыкчылык берүү жөнүндө отчет бергенбиз, алсыз негиздерге салыштырмалуу 79% (60/76) 79% (60/76)) 79% (60/76) аныктадык. Экинчиден, биз кеңири жайылган отчеттордун, айрыкча, отчеттук отчеттуулукка жана басылманын натыйжасында болгонун тастыктаган. Март-дифференциалдык теңдемелерди чечүү боюнча изилдөөлөрдүн изилдөөсүн үйрөнүү өтө оптимисттик: алсыз киргизүү маалыматтары өтө оң натыйжага алып келиши мүмкүн, ал эми биас жөнүндө отчеттуулук терс натыйжаларга алып келиши мүмкүн. Көп учурда бул көйгөйлөр өткөн репродукция кризисине окшош факторлор менен шартталган көрүнөт: тергөөчүнүн каалоосу жана оң натыйжасы. Биз буга чейин бузулган структуралык реформаны азайтуу үчүн биз төмөндөгүдөй маданий өзгөрүүлөрдү жана жогорудагы структуралык реформаны азайтуу үчүн, биз аны төмөндөтүүчү структуралык реформаны азайтуу үчүн чакырабыз.
Системалык сын-пикирди түзгөн авторлордун жана макалалардын тизмесин, ошондой эле кокусунан ар бир макаланын классификациясы, https://doi.org/0.17605/10.17605/osf.io/gq5b3 (REF. 124).
2-таблицаны жаңыртуу үчүн керектүү код гитубадан табууга болот: https://github.com/nickmcgreivy/weakbaselinemlpde/weakbaselinemlpded/ Дарак / v1 (126-шилтеме) жана https://codeocycocecan.com/capsule/0799002/tree/v1 (127-шилтеме).
Рэндалл, Д. жана Вельсер, К.
Ритчи, С. Илимий фантастика Билими: Канчалык алдамчылык, бир бурчтуу, унчукпоо жана гипс чындыкты издөө (Vintage, 2020).
Ачык илимий кызматташуу. Психологиялык илимде репродукциялоону баалоо. Илим 349, AAAC4716 (2015).
Prinz, F., Шланге, Т., Асадулла, К. ишенүү же жокпу: Баңги заттарын потенциалдуу бутага жарыяланган маалыматтарга канча ишенсек болот? Нат. Аян "Дары-дармектердин ачылышы". 10, 712 (2011).
Беглей, кг жана эллис, лм, чен прокладалык изилдөө иштеринде стандарттар. Жаратылыш 483, 531-533 (2012).
A. Gelman and E. Loken, The Garden of Forking Paths: Why Multiple Comparisons are a Problem Even Without “Fishing Expeditions” or “p-hacks” and Preformed Research Hypotheses, vol. 348, 1-17 (Статистика бөлүмү, 2013).
Карагигги, Г., Касека, Г., Кравац, С., Начман, Б. Nat. Doctor of Philosophy in Physics. 4, 399–412 (2022).
Dara s, damercherla s, jadhav ss, bab, bab am andhan mj. Баңги заттарды табууга машинаны үйрөнүү: карап чыгуу. Atif. Intel. Ed. 55, 1947-1999 (2022).
Мэтер, Химиядагы М.Л. J.Chemistry. кабарлоо. Модель. 59, 2545-2559 (2019).
Rajkomar A., Dean J. and Kohan I. Machine learning in medicine. New England Journal of Medicine. 380, 1347-1358 (2019).
Grimmer J, Робертс. жана Stewart BM машинасы коомдук илимдерди үйрөнүү: агностикалык мамиле. Рев. Энн доп. Илим. 24, 395-419 (2021).
Jump, J. et al. Make highly accurate protein structure predictions using alphafold. Nature 596, 583–589 (2021).
Гандерсен, ОЭ, Каакли, К., Киркпатрик, К., Джил, Джил, Джил, Машинаны үйрөнүү булактары: Карап чыгуу. Https://arxiv.org/abs/2204.07610 (2022) бар.
Скулли, Д., Снук, Дж., Уилтчко, А., Рахими, А. Жеңүүчүнүн каргышы? Ыкчам ылдамдык, прогресс жана катаалдыгы (ICLR, 2018).
Армстронг, ТГ, Моффат, Веббер, В.С. Кошобел, Дж. Кошуу Жайылыштар: Алдын ала издөө натыйжалары 1998-жылдан бери алдын-ала издөө натыйжалары.
Капоор, С. жана Нарайанан, А. А. А. А. А. А. А. 4, 100804 (2023).
Kapoor S. El. Реформа: машинаны үйрөнүүгө негизделген илимий отчеттуулук стандарттары. Https://arxiv.org/abs/2308.07832 (2023) бар.
Демаси, О., Cording, C., Рехт, Б. Мунураак салыштыруу медициналык машинада жалган оптимизмге алып келиши мүмкүн. Plos One 12, e0184604 (2017).
Roberts, M., et al. Ковид-19-кандриц рентген жана эсептелген томографиядан жана эсептелген томографияны аныктоодо жана болжолдонгон машинаны колдонууну үйрөнүү үчүн жалпы тузактар жана мыкты тажрыйбалар. Нат. Макс. Intel. 3, 199–217 (2021).
Winantz L. ET al. Ковид-19 диагнозу жана прогнозу үчүн болжолдуу моделдер: Системалуу карап чыгуу жана критикалык баалоо. BMJ 369, M1328 (2020).
Уилен С., Шрейбер Дж., Асобль жана Пллар - К.С. Нат. Пастор Гинетт. 23, 169-181 (2022).
Атрис Н. жана Ал. Химия менен машинаны үйрөнүү үчүн мыкты тажрыйбалар. Нат. Химиялык. 13, 505-508 (2021).
Brunton SL жана Kutz Jn жарым-жартылай дифференциалдык теңдемелерди үйрөнүү үчүн келечектүү багыттар. Нат. эсептөө. Илим. 4, 483-494 (2024).
Винусеса, Р. жана Брунтон, Компанияны үйрөнүү аркылуу эсептөө суюктук динамикасын өркүндөтүү. Нат. эсептөө. Илим. 2, 358-366 (2022).
Комо, С. жана башкалар. Илимий машина физикалык жактан кабардар болгон нейрондук тармактар менен таанышуу: биз азыр кайда жана андан кийинки нерсе. J. Илим. calculate. 92, 88 (2022).
Дураизамия, К., Яаккарино, Г., жана Сяо, Дата датасында турбулдук моделдөө. Энн кайра каралган басылышы. 51, 357-377 (2019).
Дурран, Геофисикалык гидродинамикада толкун теңдемелерин чечүү үчүн DR сандык ыкмалары, т. 32 (Springer, 2013).
Мишра, С. Дифференциалдык теңдемелерди эсептөө үчүн маалыматка негизделген эсептөө үчүн машинаны үйрөнүү базасы. Математика. Инженер. https://doi.org/0.3934/mine 20148.1.118 (2018).
Кочиков Д. жана Аль. Машинаны үйрөнүү - эсептөө суюктук динамикасын тездетүү. Процесс. Улуттук илимдер академиясы. Илим. АКШ 118, E2101784118 (2021).
Кадапа, К. Авлой Компьютердик илим жана инженерияны үйрөнүү - кыскача киришүү жана айрым негизги маселелер. Https://arxiv.org/abs/2112.12054 (2021) бар.
Росс, А., Ли, З., Переоин, П., Фернандес-Гранда, С., Занна, Л. J.adv. Модель. Жер системасы. 15. E2022ms003258 (2023).
Липпе, П., Вильинг, Б., Перерикарис, П., Тернер, Р., Дж. ПДда тазалоо. Нейрур маалымат иштетүү тутумдарындагы 37-конференция (Neurips 2023).
Frachas, Pr et al. Кайра экспресс алгоритми жана суу сактагычындагы нерв тармактарында татаал, татаал атлетикалдуу динамиканы болжолдоо үчүн. нейр тармагы. 126, 191-217 (2020).
Raissi, M., Perdikaris, P. and Karniadakis, GE Physics, computer science, neural networks: a deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. J. Компьютер. Физика. 378, 686-707 (2019).
Grossmann, TG, KOMOvOSKA, UJ, LUTZ, J., Schönlieb, K.-b. Физикада негизделген нейрон негиздөөчү тармактар чексиз элементтин методдору керекпи? IMA J. Тиркемелер. Математика. 89, 143-174 (2024).
de mata, ff, Гижон, А., Молина-Солана, М. Физика. 610, 128415 (2023).
Zhuang, P.-y. БАРБА, Ла Физикага негизделген нейрон тармагындагы эмпирикалык отчету суюктук моделдөөдө: тузактар жана көңүл кайттык. HTTPS://arxiv.org/abs/2205.14249 (2022) бар.
Zhuang, P.-Y. Барба, Ла-Л.А. Preprint available at https://arxiv.org/abs/2306.00230 (2023).
Ван, С., Ю, Х., Перидикарис, П. Качан жана эмне үчүн поездди качан жана эмне үчүн машыктыра албай калат: нерв тентген J. Компьютер. Физика. 449, 110768 (2022).
Кришнаприан, А., Голами, А., Жеты, С., Кирби, Р., жана Махони, МВ Физикалык маалымат тармагындагы мүмкүн болбогон модерттер. Нейрондуу маалымат иштетүү тутумдарындагы 35-конференция. 34, 26548-26560 (Neurips 2021).
Базир, С. жана Сенокак, I. Физика негизделген нейрон тармактарындагы иштебей калуунун бузулушун сын изилдөө. AIAA Scitech 2022 форума 2353 (кеме, 2022).
Карнаков П., Литвинов С. жана Коумоутскос П. Физикалык жактан тескери көйгөйлөрдү оптималдаштыруу менен физикалык тескери көйгөйлөрдү оптималдаштыруу: тез жана так билимсиз нейрондук тармактарсыз. Процесс. Улуттук илимдер академиясы. Илим. NEXUS 3, PGAE005 (2024).
Гандерсен OE Reprodifility принциптери. Phil.Cross. Р. Шукер. A 379, 20200210 (2021).
Ароматарис Э жана Пирсон А. Системалык сын-пикирлер: Сереп салуу. Ооба. J. Nursing 114, 53-58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, and Rohde, K. Constraint-aware neural networks for the Riemann problem. J. Компьютер. physics. 409, 109345 (2020).
Безгин Да, Шмидт СЖ жана Адамс На маалыматка негизделген NA маалыматка негизделген FILS-де маалымдалган финалдык көлөмдөгү акыркы көлөмдөгү чыңалуудагы чыңалуу үчүн чыңалуудагы чыңалуудагы чыңалуу үчүн акыркы көлөмдүү көлөмдүү. J. Компьютер. Физика. 437, 110324 (2021).
Пост убактысы: Сентябрь-29-2024