Thank you for visiting Nature.com. ສະບັບຂອງຕົວທ່ອງເວັບທີ່ທ່ານກໍາລັງໃຊ້ມີສະຫນັບສະຫນູນ CSS ຈໍາກັດ. ສໍາລັບຜົນໄດ້ຮັບທີ່ດີທີ່ສຸດ, ພວກເຮົາແນະນໍາໃຫ້ທ່ານໃຊ້ໂປແກຼມທ່ອງເວັບລຸ້ນໃຫມ່ຂອງທ່ານ (ຫຼືປິດໂຫມດຄວາມເຂົ້າກັນໄດ້ໃນ Internet Explorer). In the meantime, to ensure ongoing support, we are showing the site without styling or JavaScript.
One of the most promising applications of machine learning in computational physics is the accelerated solution of partial differential equations (PDEs). The main goal of a machine learning-based partial differential equation solver is to produce solutions that are accurate enough faster than standard numerical methods to serve as a baseline comparison. ພວກເຮົາທໍາອິດການທົບທວນຄືນເປັນລະບົບຂອງວັນນະຄະດີຮຽນຮູ້ເຄື່ອງໃນການແກ້ໄຂສົມຜົນທີ່ແຕກຕ່າງກັນບາງສ່ວນ. Of all the papers reporting the use of ML to solve fluid partial differential equations and claiming superiority over standard numerical methods, we identified 79% (60/76) compared to weak baselines. Second, we found evidence of widespread reporting bias, particularly in outcome reporting and publication bias. We conclude that machine learning research on solving partial differential equations is overly optimistic: weak input data can lead to overly positive results, and reporting bias can lead to underreporting of negative results. In large part, these problems appear to be caused by factors similar to past reproducibility crises: investigator discretion and positive outcome bias. We call for bottom-up cultural change to minimize biased reporting and top-down structural reform to reduce perverse incentives to do so.
ບັນຊີລາຍຊື່ຂອງຜູ້ຂຽນແລະບົດຂຽນທີ່ສ້າງຂື້ນໂດຍການທົບທວນຄືນຢ່າງເປັນລະບົບ, ພ້ອມທັງການຈັດປະເພດຂອງແຕ່ລະບົດຄວາມ, ແມ່ນສາທາລະນະທີ່ສາທາລະນະ, ແມ່ນ/DOI.Og/
ລະຫັດທີ່ຈໍາເປັນໃນການຜະລິດຜົນໄດ້ຮັບໃນຕາຕະລາງ 2 ສາມາດພົບໄດ້ໃນ GitHub 2 ສາມາດພົບໄດ້ໃນ GitHub: / Refaakbcgreiv.com/geakbcgyMlpde/ (/geekub.com/godeocean.com/Capapsule/9605339/ Tree/ v1 (link 126) and https://codeocean.com/Capapsule/0799002/Tree/v1 (link 127).
ວິກິດການທີ່ທັນສະໄຫມຍຸກສະໄຫມ, ແລະເສັ້ນທາງແລະເສັ້ນທາງຂອງນັກວິທະຍາສາດປະຈໍາປີ 2018).
Ritchie, S. Science Fiction: ຄວາມລໍາອຽງ, ຄວາມງຽບສະຫງັດ, ຄວາມງຽບສະຫງັດ, ແລະ hype ທໍາລາຍການຄົ້ນຫາຄວາມຈິງ (vintage, 2020).
ພວກເຮົາເຊື່ອວ່າມັນສາມາດອີງໃສ່ຂໍ້ມູນທີ່ຖືກເຜີຍແຜ່ຫຼາຍປານໃດກ່ຽວກັບເປົ້າຫມາຍທີ່ຖືກເຜີຍແຜ່? nat. rev. "ການຄົ້ນພົບຢາເສບຕິດ." 10, 712 (2011).
Begley, KG ແລະ Ellis, LM ຍົກລະດັບມາດຕະຖານໃນການຄົ້ນຄວ້າໂຣກມະເຮັງ. ທໍາມະຊາດ 483, 531-533 (ປີ 2012).
A. Gelman ແລະ E. Loken, ສວນແຫ່ງການຂະຫຍາຍເສັ້ນທາງ: ເປັນຫຍັງການປຽບທຽບຫຼາຍບັນຫາແມ່ນມີ "ການຫາປາ" ຫຼື "P-hacks" 348, 1-17 (ພະແນກສະຖິຕິ, 2013).
Karagiorgi, G. , Kasecka, G. , Kravitz, Sachman, B. , ແລະ Shi, D. ການຮຽນຮູ້ຂອງຟີຊິກພື້ນຖານໃຫມ່. nat. ທ່ານຫມໍຂອງປັດຊະຍາໃນຟີຊິກສາດ. 4, 399-412 (2022).
Dara S, damercherla s, Jadhav Ss, Babu CM ແລະ Ahsan MJ. ການຮຽນຮູ້ເຄື່ອງຈັກໃນການຄົ້ນພົບເຄື່ອງໃຊ້: ການທົບທວນຄືນ. atif. Intel. ed. 55, 1947-1999 (2022).
mather, ແລະ coote, ການຮຽນຮູ້ທີ່ເລິກເຊິ່ງໃນເຄມີສາດ. j.chemistry. ແຈ້ງໃຫ້ຊາບ. ແບບ. 59, 2545-2559 (2019).
Rajkar A. , Dean J. ແລະ Kohan I. ການຮຽນຮູ້ເຄື່ອງຈັກໃນຢາ. New England Journal of Medicine. 380, 1347–1358 (2019).
grimmer j, Roberts ຂ້າພະເຈົ້າ. ແລະ Stewart BM Machine ການຮຽນຮູ້ໃນວິທະຍາສາດສັງຄົມ: ວິທີການທີ່ຫນ້າລັງກຽດ. Rev. Ann Ball. ວິທະຍາສາດ. 24, 395-419 (2021).
ໄປຫາ, j. et al. ເຮັດໃຫ້ການຄາດຄະເນໂຄງສ້າງທີ່ມີທາດໂປຼຕີນທີ່ຖືກຕ້ອງໂດຍໃຊ້ alphotel. Nature 596, 583–589 (2021).
, OE, Coakley, K. , Kirkpatrick, Kirkpatrick, Kirkpatrick, Kirkpatrick, Kirkpatrick, Kirkpatrick, Kirkpatrick. ມີຢູ່ທີ່ https://arxiv.org/abs/abs/2204.07610 (2022).
Scully, D. , Snook, J. , Wiltschko, A. , ແລະ Rahimi, A. Curse ຜູ້ທີ່ໄດ້ຮັບ On the speed, progress and rigor of empirical evidence (ICLR, 2018).
Armstrong, Moffat, Moffat, A. , Webber, Webber, Jobel Conference ກ່ຽວກັບການຄຸ້ມຄອງຂໍ້ມູນຂ່າວສານຂໍ້ມູນຂ່າວສານຂໍ້ມູນຂ່າວສານ.
Kapoor, S. ແລະ Narayanan, A. ການຮົ່ວໄຫຼແລະວິກິດການສາມາດສືບພັນໄດ້ໃນວິທະຍາສາດການຮຽນຮູ້ຈັກເຄື່ອງ. ຮູບແບບ, 4, 100804 (2023).
KapoOoor S. et al. ການປະຕິຮູບ: ມາດຕະຖານການລາຍງານວິທະຍາສາດໂດຍອີງໃສ່ການຮຽນຮູ້ຂອງເຄື່ອງຈັກ. Preprint ມີຢູ່ທີ່ https://arxiv.org/abs/2308.07832 (2023).
Demasi, O. , Cording, C. , ແລະ Recht, B. Comparisons ທີ່ບໍ່ມີຄວາມຫມາຍສາມາດນໍາໄປສູ່ການດີທີ່ສຸດໃນການສຶກສາເຄື່ອງແພດ. Plos One 12, E0184604 (2017).
Roberts, M. , et al. ຂຸມແລະການປະຕິບັດທີ່ດີທີ່ສຸດໃນການໃຊ້ເຄື່ອງຈັກການຮຽນຮູ້ເພື່ອກວດພົບແລະຄາດຄະເນ covid-19 ຈາກ ra m-rays ແລະ andmography ຫນ້າເອິກ. nat. ສູງສຸດທີ່ເຄຍ. Intel. 3, 199–217 (2021).
WinNNZ L. et al. ຮູບແບບການຄາດເດົາສໍາລັບການບົ່ງມະຕິແລະການຄາດຄະເນຂອງ Covid-19: ການທົບທວນທີ່ເປັນລະບົບແລະການປະເມີນທີ່ສໍາຄັນ. BMJ 369, M1328 (2020).
Whalen S. , Schreiber J. , Noble WS ແລະ Pollard KS ເອົາຊະນະຄວາມສ່ຽງຂອງການນໍາໃຊ້ເຄື່ອງຈັກໃນ Genomics. nat. ginette ສິດຍາພິບານ. 23, 169-181 (2022).
Atris N. et al. ການປະຕິບັດທີ່ດີທີ່ສຸດສໍາລັບການຮຽນຮູ້ເຄື່ອງຈັກໃນເຄມີສາດ. nat. ສານເຄມີ. 13, 505-508 (2021).
Brunton Sl ແລະ Kutz Jn ກໍ່ສັນຍາລັກສະນະສໍາລັບການຮຽນຮູ້ເຄື່ອງຈັກຂອງສົມຜົນທີ່ແຕກຕ່າງກັນບາງສ່ວນ. nat. calculate. ວິທະຍາສາດ. 4, 483-494 (2024).
Vinuesa, R. and Brunton, SL Improving computational fluid dynamics through machine learning. Nat. calculate. ວິທະຍາສາດ. 2, 358-366 (2022).
Comeau, S. et al. ການຮຽນຮູ້ເຄື່ອງຈັກວິທະຍາສາດທີ່ມີເຄືອຂ່າຍ Neural ທີ່ມີຊື່ສຽງທາງຮ່າງກາຍ: ຕອນນີ້ພວກເຮົາຢູ່ໃສແລະມີຫຍັງຕໍ່ໄປ. J. Science. calculate. 92, 88 (2022).
Duraisamy, K. , YaccRino, G. G. , ແລະ Xiao, H. Turbulence Model ໃນຍຸກຂໍ້ມູນໃນຍຸກຂໍ້ມູນ. ສະບັບດັດແກ້ຂອງ Ann. 51, 357-377 (ປີ 2019).
Durran, Modic Modicials ສໍາລັບການແກ້ໄຂສົມຜົນຄື້ນໃນພະຍາດສະເກີ້ທີ່ມີສານເປິເກຍ, Vol. 32 (Springer, 2013).
MISLRA, S. ໂຄງຮ່າງການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບການເລັ່ງການຄິດໄລ່ data-drive ຂອງສົມຜົນທີ່ແຕກຕ່າງ. ຄະນິດສາດ. engineer. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Machine learning – acceleration of computational fluid dynamics. ຂະບວນການ. National Academy of Sciences. science. US 118, e2101784118 (2021).
Kadapa, K. ການຮຽນຮູ້ເຄື່ອງສໍາລັບວິທະຍາສາດຄອມພິວເຕີແລະວິສະວະກໍາ - ການແນະນໍາໂດຍຫຍໍ້ແລະບາງບັນຫາທີ່ສໍາຄັນ. Preprint ມີຢູ່ທີ່ https://arxiv.org/abs/abs/2112.120542054 (2021).
Ross, A. , Li, Z. , Perezhogin, P. Fernandez-C. , C. , ແລະ Zanna, L. J.Adv. Model. ລະບົບໂລກ. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., and Brandstetter, J. PDE refinement: achieving accurate long extrusions with a neural PDE solver. ກອງປະຊຸມໃຫຍ່ 37 ໃນລະບົບປະມວນຜົນຂໍ້ມູນຂ່າວສານກ່ຽວກັບໄລຍະເວລາ (Neurips 2023).
FRACHAS, PR et al. ສູດການຄິດໄລ່ແລະອ່າງເກັບນ້ໍາໃນ backporpart ແລະອ່າງເກັບນ້ໍາໃນເຄືອຂ່າຍ neural ທີ່ເກີດຂື້ນໃນໄລຍະເວລາໃນການຄາດເດົານະໂຍບາຍດ້ານ spieldomontic. ເຄືອຂ່າຍ Neural. 126, 191-217 (2020).
Grossmann, TG, Komorowska, UJ, Lutz, J. , ແລະSchönlieb, K.-b. ເຄືອຂ່າຍ neural ທີ່ອີງໃສ່ຟີຊິກທີ່ດີກວ່າວິທີການອົງປະກອບທີ່ຈໍາກັດ? IMA J. ສະຫມັກ. ຄະນິດສາດ. 89, 143-174 (2024).
ເຄືອຂ່າຍ, Gijon, Gijon, A. , Molina-Solana, M. ຟີຊິກ. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA An empirical report on physics-based neural networks in fluid modeling: pitfalls and disappointments. Preprint available at https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. ແລະ Barba, la ຄວາມຈໍາກັດການຄາດເດົາຂອງເຄືອຂ່າຍ neural ທີ່ມີຄວາມຮູ້ດ້ານຮ່າງກາຍທີ່ມີຢູ່ໃນ vortex. preprint ມີຢູ່ທີ່ https://arxiv.org/abs/2306.00230 (2023).
Wang, S. , Yu, H. , ແລະ Perdikaris, P. ໃນເວລາທີ່ແລະເປັນຫຍັງ inns ລົ້ມລະລາຍ J. ຄອມພິວເຕີ. ຟີຊິກ. 449, 110768 (2022).
Krishnapyan, A. , Gholiami, A. , Zhe, S. , S. , S. , S. , R. , R. , R. , R. , R. 35th Conference on Neural Information Processing Systems Vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. ແລະ Senokak, I. ເປັນການສຶກສາທີ່ສໍາຄັນຂອງຮູບແບບຄວາມລົ້ມເຫຼວໃນເຄືອຂ່າຍ neural ທີ່ອີງໃສ່ຟີຊິກ. ໃນ Aiaa Scitch 2022 forum 2353 (Ark, 2022).
Karnakov P. , Litvinov S. ແລະ Koumoutsakos P. ການແກ້ໄຂບັນຫາຕ່າງໆທາງດ້ານຮ່າງກາຍໂດຍການເພີ່ມປະສິດຕິພາບທີ່ບໍ່ຕ້ອງການ: ການຮຽນຮູ້ໄວແລະຖືກຕ້ອງໂດຍບໍ່ມີເຄືອຂ່າຍກາງ. ຂະບວນການ. National Academy of Sciences. science. Nexus 3, PGAE005 (2024).
ຫຼັກການພື້ນຖານຂອງ GANGERENT ຂອງການສືບພັນ. phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E ແລະ Pearson A. ການທົບທວນຄືນຢ່າງເປັນລະບົບ: ສະພາບລວມ. ແມ່ນແລ້ວ. J. Nursing 114, 53–58 (2014).
Magiela, J. , Ray, D. , Hesthaven, JS, ແລະ Rohde, K. Networks Neal Purness ສໍາລັບບັນຫາ Riemann. J. ຄອມພິວເຕີ. ຟີຊິກ. 409, 109345 (2020).
ເວລາໄປສະນີ: SEP-29-2024