Dėkojame, kad apsilankėte gamtoje.com. Jūsų naudojamos naršyklės versijoje yra ribotas CSS palaikymas. Norėdami gauti geriausius rezultatus, rekomenduojame naudoti naujesnę naršyklės versiją (arba išjungti suderinamumo režimą „Internet Explorer“). Tuo tarpu, norėdami užtikrinti nuolatinę palaikymą, mes rodome svetainę be stiliaus ar „JavaScript“.
Vienas perspektyviausių mašininio mokymosi taikymo skaičiavimo fizikoje yra pagreitintas dalinių diferencialinių lygčių (PDES) sprendimas. Pagrindinis mašininio mokymosi pagrindu pagrįstos dalinės diferencialinės lygčių tirpalo tikslas yra sukurti sprendimus, kurie būtų pakankamai tikslūs greitesni nei standartiniai skaitiniai metodai, kurie būtų pradiniai palyginimai. Pirmiausia atliekame sistemingą mašininio mokymosi literatūros apžvalgą apie dalinių diferencialinių lygčių sprendimą. Iš visų dokumentų, kuriuose pranešama apie ML naudojimą skysčiams dalinėms diferencialinėms lygtims išspręsti ir reikalaujant pranašumo, palyginti su standartiniais skaitmeniniais metodais, mes nustatėme 79% (60/76), palyginti su silpnomis bazinėmis linijomis. Second, we found evidence of widespread reporting bias, particularly in outcome reporting and publication bias. Mes darome išvadą, kad mašininio mokymosi tyrimai, skirti išspręsti dalines diferencialines lygtis, yra pernelyg optimistiški: silpni įvesties duomenys gali sukelti pernelyg teigiamų rezultatų, o pranešimas apie šališkumą gali sukelti nepakankamą neigiamų rezultatų pranešimą. Atrodo, kad šias problemas lemia veiksniai, panašūs į praeities atkuriamumo krizes: tyrėjo nuožiūra ir teigiamų rezultatų paklaidų. Mes raginame atlikti kultūrinius pokyčius iš apačios į viršų, kad sumažintume šališką ataskaitų teikimą ir struktūrinę reformą iš viršaus į apačią, kad sumažintume iškreiptas paskatas tai padaryti.
Autorių ir straipsnių, sugeneruotų sisteminės apžvalgos, sąrašas, taip pat kiekvieno straipsnio klasifikavimas atsitiktinėje imtyje yra viešai prieinamas https://doi.org/10.17605/osf.io/gq5b3 (nuoroda 124).
Kodą, reikalingą 2 lentelės rezultatams atkurti, galite rasti „GitHub“: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (nuoroda 125) ir „Code Ocean“: https://codeocean.com/capsule/9605539/ Medis/ v1 (nuoroda 126) ir https://codeocean.com/capsule/0799002/tree/v1 (nuoroda 127).
Randall, D., ir Welser, K., Šiuolaikinio mokslo nesuderinamumo krizė: reformos priežastys, pasekmės ir keliai (Nacionalinė mokslininkų asociacija, 2018).
Ritchie, S. Mokslinė fantastika: kaip sukčiavimas, šališkumas, tyla ir hipe sumenkina tiesos paiešką (Vintage, 2020).
Atviras mokslinis bendradarbiavimas. Vertinant atkuriamumą psichologijos moksle. Mokslas 349, AAAC4716 (2015).
Prinz, F., Schlange, T. ir Asadullah, K. Patikėkite ar ne: kiek galime pasikliauti paskelbtais duomenimis apie galimus narkotikų taikinius? NAT. Red. „Narkotikų atradimas“. 10, 712 (2011).
Begley, KG ir Ellis, LM kėlimo standartai ikiklinikinių vėžio tyrimų metu. Gamta 483, 531–533 (2012).
A. Gelmanas ir E. Loken, „Forking“ takų sodas: kodėl keli palyginimai yra problema net be „žvejybos ekspedicijų“ ar „p-hacks“ ir „REOMERD RESELIAL HIPOTESES“, t. 348, 1–17 (Statistikos departamentas, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. ir Shi, D. Mašinų mokymasis ieškant naujos pagrindinės fizikos. NAT. Fizikos filosofijos gydytojas. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM ir Ahsan MJ. Mašinų mokymasis narkotikų atradime: apžvalga. Atifas. „Intel“. Ed. 55, 1947–1999 (2022).
Mather, AS ir Coote, gilus chemijos mokymasis. J.Chemistry. pranešti. Modelis. 59, 2545–2559 (2019).
Rajkomar A., Dean J. ir Kohan I. Mašinų mokymasis medicinoje. Naujosios Anglijos medicinos žurnalas. 380, 1347–1358 (2019).
Grime J, Roberts Me. ir Stewarto BM mašinų mokymasis socialiniuose moksluose: agnostinis požiūris. Ann Ball. mokslas. 24, 395–419 (2021).
Jump, J. et al. Padarykite labai tikslias baltymų struktūros prognozes naudodami „AlphaFold“. Gamta 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. ir Gil, Y. Neatsiejamumo šaltiniai mokant mašininį mokymąsi: apžvalga. „PrePrint“ galima rasti https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. ir Rahimi, A. nugalėtojo prakeikimas? Dėl empirinių įrodymų greičio, progreso ir griežtumo (ICLR, 2018).
Armstrongas, TG, Moffat, A., Webber, W. ir Zobel, J. Neapdangūs patobulinimai: preliminarūs paieškos rezultatai nuo 1998 m. 18-oji ACM informacijos ir žinių valdymo konferencija 601–610 (ACM 2009).
Kapoor, S. ir Narayanan, A. Nuotėkio ir atkuriamumo krizės mašinų mokymosi moksle. Modeliai, 4, 100804 (2023).
Kapoor S. ir kt. Reforma: mokslinių ataskaitų standartai, pagrįsti mašinų mokymuisi. „PrePrint“ galima rasti https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C. ir Recht, B. Beprasmės palyginimai gali sukelti klaidingą optimizmą mokant medicinos mašinų. „PLoS One 12“, E0184604 (2017).
Roberts, M. ir kt. Įprastos spąstai ir geriausia praktika, kaip naudoti mašininį mokymąsi, kad būtų galima aptikti ir numatyti Covid-19 iš krūtinės rentgeno spindulių ir kompiuterinę tomografiją. NAT. Maks. „Intel“. 3, 199–217 (2021).
Winantz L. et al. Nuspėjamieji COVID-19 diagnozavimo ir prognozės modeliai: sisteminė apžvalga ir kritinis įvertinimas. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS ir Pollard KS, įveikę mašininio mokymosi genomikos naudojimo trūkumus. NAT. Klebonas Ginette. 23, 169–181 (2022).
Atris N. et al. Geriausia mašinų mokymosi chemijoje praktika. NAT. Cheminė. 13, 505–508 (2021).
„Brunton SL“ ir „Kutz Jn“ žadamos dalinių diferencialinių lygčių mašininio mokymosi kryptys. NAT. apskaičiuoti. mokslas. 4, 483–494 (2024).
Vinuesa, R. ir Brunton, SL, SL, gerinantis skaičiavimo skysčių dinamiką, mokantis mašininio mokymosi. NAT. apskaičiuoti. mokslas. 2, 358–366 (2022).
Comeau, S. et al. Mokslinis mašinų mokymasis su fiziškai informuotais nervų tinklais: kur mes esame dabar ir kas bus toliau. J. Mokslas. apskaičiuoti. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. ir Xiao, H. Turbulencijos modeliavimas duomenų epochoje. Peržiūrėtas Annos leidimas. 51, 357–377 (2019).
Durranas, Dr skaitiniai bangos lygčių sprendimo metodai geofizinėje hidrodinamikoje, t. 32 (Springer, 2013).
Mishra, S. Maštinio mokymosi sistema, skirta pagreitinti duomenimis pagrįstą diferencialinių lygčių apskaičiavimą. matematika. inžinierius. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. ir kt. Mašinų mokymasis - skaičiavimo skysčių dinamikos pagreitis. procesas. Nacionalinė mokslų akademija. mokslas. JAV 118, E2101784118 (2021).
Kadapa, K. Kompiuterių mokslo ir inžinerijos mašinų mokymasis - trumpa įvadas ir keletas pagrindinių klausimų. „PrePrint“ galima rasti https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. ir Zanna, L. Mašinų mokymosi vandenyno parametravimo palyginamoji analizė idealizuotuose modeliuose. J.adv. Modelis. Žemės sistema. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. ir Brandstetter, J. PDE patobulinimas: Tikslų ilgų išspaudimų pasiekimas su nerviniu PDE sprendėju. 37 -oji konferencija apie nervų informacijos apdorojimo sistemas („Urips 2023“).
Frachai, PR ir kt. Atgal įpročių algoritmas ir rezervuaro skaičiavimas pasikartojančiuose neuroniniuose tinkluose, siekiant numatyti sudėtingą erdvės imporalinę dinamiką. Neuroninis tinklas. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. ir Karniadakis, GE fizika, informatika, neuroniniai tinklai: giluminio mokymosi sistema, skirta išspręsti į priekį ir atvirkštines problemas, susijusias su netiesinėmis dalinėmis diferencialinėmis lygtimis. J. Kompiuteris. fizika. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. ir Schönlieb, K.-B. Ar fizikai pagrįsti neuroniniai tinklai gali aplenkti baigtinių elementų metodus? IMA J. Programos. matematika. 89, 143–174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M. ir Gómez-Romero, J. Duomenims pagrįstų modeliavimo fizikai pagrįsti neuroniniai tinklai: pranašumai, apribojimai ir galimybės. fizika. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, La, empirinė ataskaita apie fiziką pagrįstus neuroninius tinklus, modeliuojant skysčius: spąstai ir nusivylimai. „PrePrint“ galima rasti https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. ir barba, La prognozuojami fiziškai informuotų nervų tinklų apribojimai sūkurinei formavimui. „PrePrint“ galima rasti https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. ir Perdikaris, P. Kada ir kodėl Pinns nesugeba treniruotis: nervų liestinės branduolio perspektyva. J. Kompiuteris. fizika. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. ir Mahoney, galimų fizinės informacijos neuroninių tinklų gedimo būdų MW savybės. 35 -oji konferencija apie nervų informacijos apdorojimo sistemas, t. 34, 26548–26560 („Aurips 2021“).
Basir, S. ir Senokak, I. Kritinis nesėkmių režimų tyrimas fizikoje pagrįstuose neuroniniuose tinkluose. AIAA SCITECH 2022 forumas 2353 (Ark, 2022).
Karnakov P., Litvinov S. ir Komumoutsakos P. Fizinių atvirkštinių problemų sprendimas optimizuodami diskretinius nuostolius: greitas ir tikslus mokymasis be nervinių tinklų. procesas. Nacionalinė mokslų akademija. mokslas. „Nexus 3“, „Pgae005“ (2024).
„Gundersen OE“ pagrindiniai atkuriamumo principai. Phil.cross. R. Shukeris. A 379, 20200210 (2021).
Aromataris E ir Pearson A. Sisteminės apžvalgos: apžvalga. Taip. J. Slauga 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS ir Rohde, K. Riemann problemos suvaržymai. J. Kompiuteris. fizika. 409, 109345 (2020).
„Bezgin DA“, „Schmidt SJ“ ir „Adams NA“ duomenys, pagrįsti fiziškai informuotos baigtinio tūrio grandinės, skirtos neklasikiniams sumažintoms įtampos sukrėtimams. J. Kompiuteris. fizika. 437, 110324 (2021).
Pašto laikas: 2012 m. Rugsėjo 29 d