നേച്ചർ.കോം സന്ദർശിച്ചതിന് നന്ദി. നിങ്ങൾ ഉപയോഗിക്കുന്ന ബ്ര browser സറിന്റെ പതിപ്പ് പരിമിത സിഎസ്എസ് പിന്തുണയുണ്ട്. മികച്ച ഫലങ്ങൾക്കായി, നിങ്ങളുടെ ബ്ര browser സറിന്റെ ഒരു പുതിയ പതിപ്പ് ഉപയോഗിക്കാൻ ഞങ്ങൾ ശുപാർശ ചെയ്യുന്നു (അല്ലെങ്കിൽ ഇന്റർനെറ്റ് എക്സ്പ്ലോററിൽ അനുയോജ്യത മോഡ് അപ്രാപ്തമാക്കുക). അതിനിടയിൽ, നിലവിലുള്ള പിന്തുണ ഉറപ്പാക്കുന്നതിന്, സ്റ്റൈലിംഗ് അല്ലെങ്കിൽ ജാവാസ്ക്രിപ്റ്റ് ഇല്ലാതെ ഞങ്ങൾ സൈറ്റ് കാണിക്കുന്നു.
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. ഭാഗിക വ്യക്തമായ സമവാക്യങ്ങൾ പരിഹരിക്കുന്നതിന് മെഷീൻ പഠിച്ച സാഹിത്യത്തിന്റെ വ്യവസ്ഥാപിത അവലോകനം ഞങ്ങൾ നടത്തുന്നു. 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. രണ്ടാമതായി, വ്യാപകമായ റിപ്പോർട്ടിംഗ് ബിസിഐഎസിന്റെ തെളിവുകൾ, പ്രത്യേകിച്ച് ഫല റിപ്പോർട്ടിംഗിലും പ്രസിദ്ധീകരണ പക്ഷപാതിയിലും ഞങ്ങൾ തെളിവുകൾ കണ്ടെത്തി. 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. വവ്വതപ്രതിരോധ ശേഷികൾ കുറയ്ക്കുന്നതിന് പക്ഷപാതപരമായ റിപ്പോർട്ടിംഗും ടോപ്പ്-ഡ down ൺ ഘടനാപരമായ പരിഷ്കരണവും കുറയ്ക്കുന്നതിന് ചുവടെയുള്ള സാംസ്കാരിക മാറ്റത്തെ ഞങ്ങൾ വിളിക്കുന്നു.
ചിട്ടയായ അവലോകനം സൃഷ്ടിച്ച രചയിതാക്കളുടെയും ലേഖനങ്ങളുടെയും പട്ടിക, ക്രമരഹിതമായ സാമ്പിളിലെ ഓരോ ലേഖനത്തിന്റെ വർഗ്ഗീകരണവും https://doi.org/10.17605/osf.io/gq5b3 (റഫ. 124).
The code needed to reproduce the results in Table 2 can be found on GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) and on Code Ocean: https://codeocean.com/capsule/9605539/ ട്രീ / വി 1 (ലിങ്ക് 126) കൂടാതെ https://codocair.com/cappsule/0799002/tree/ve/te/te/te/te/te/te/te/te/te/te/te/te/te/te/ve.
റിച്ചി, എസ്. സയൻസ് ഫിക്ഷൻ: എങ്ങനെ വഞ്ചന, പക്ഷപാതം, നിശബ്ദത, എന്നിവ സത്യത്തിനായുള്ള തിരയലിനെ ദുർബലപ്പെടുത്തുന്നു (വിന്റേജ്, 2020).
ശാസ്ത്രീയ സഹകരണം തുറക്കുക. മന psych ശാസ്ത്ര ശാസ്ത്രത്തിൽ പുനരുൽപാദനക്ഷമത വിലയിരുത്തുന്നത്. ശാസ്ത്രം 349, AAAC4716 (2015).
പ്രിൻസ്, എഫ്., ഷ്ലാഞ്ച്, ടി., അസ്സദുല്ല, കെ. വിശ്വസിക്കുക നാറ്റ്. റവ. "മയക്കുമരുന്ന് കണ്ടെത്തിയത്." 10, 712 (2011).
പ്രീമിനിക്കൽ കാൻസർ റിസർച്ചിലെ ബീദ്ധ, കെ.ജി, എല്ലിസ്, എൽഎം സമാഹരിക്കുന്ന മാനദണ്ഡങ്ങൾ. പ്രകൃതി 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 (സ്ഥിതിവിവരക്കണക്കുകൾ വകുപ്പ്, 2013).
കാരഗിർഗി, ജി. ജി. നാറ്റ്. ഭൗതികശാസ്ത്രത്തിലെ ഡോക്ടർ ഓഫ് ഫിലോസഫി. 4, 399-412 (2022).
ദാര എസ്, ദമർല എസ്, ജാദവ് എസ്എസ്, ബാബു മുഖ്യമന്ത്രി, അഹ്സാൻ എം.ജെ. മയക്കുമരുന്ന് കണ്ടെത്തലിലെ മെഷീൻ പഠനം: ഒരു അവലോകനം. Atif. ഇന്റൽ. എഡി. 55, 1947-1999 (2022).
മാത്തർ, അതേസമയം, രസതന്ത്രത്തിൽ മിൻ ഡീപ് ലേണിംഗ്. J.chemide. അറിയിക്കുക. മോഡൽ. 59, 2545-2559 (2019).
രാജ്കോമർ എ. ഡീൻ ജെ. മെഡിസിൻ കോഹൻ ഐ. ന്യൂ ഇംഗ്ലണ്ട് ജേണൽ ഓഫ് മെഡിസിൻ. 380, 1347-1358 (2019).
ഗ്രിമ്മർ ജെ എന്നെ കൊള്ളയടിക്കുന്നു. സോഷ്യൽ സയൻസസിൽ സ്റ്റുവാർട്ട് ബിഎം മെഷീൻ പഠനം: ഒരു അഗ്യോസ്റ്റിക് സമീപനം. റവ. ആംഗ് പന്ത്. ശാസ്ത്രം. 24, 395-419 (2021).
ജമ്പ്, ജെ. മറ്റുള്ളവ. അൽ ലാഫോൾഡ് ഉപയോഗിച്ച് വളരെ കൃത്യമായ പ്രോട്ടീൻ ഘടന പ്രവചനങ്ങൾ നടത്തുക. പ്രകൃതി 596, 583-589 (2021).
ഗുണ്ടേഴ്സൺ, ഓ, കോക്ലി, കെ., കിർക്പേത്രിക്, കെ. Https://argiv.org/abs/2204.07610 (2022) ൽ പ്രിന്റ്പ്രിന്റ് ലഭ്യമാണ്.
കെസിഎൽ, ഡി., സ്നൂക്ക്, ജെ., വിൽറ്റ്സ്കോ, എ., റഹിമി, എ. വിജയിയുടെ ശാപം? അനുഭവപരമായ തെളിവുകളുടെ വേഗതയും പുരോഗതിയും കരുത്തുറ്റവും (ICLR, 2018).
കപൂർ, എസ്. നാരായണൻ, എ. മെഷീൻ പഠന അധിഷ്ഠിത ശാസ്ത്രത്തിലെ ചോർച്ചയും പുനരുൽപാദനപരവുമായ പ്രതിസന്ധികൾ. പാറ്റേണുകൾ, 4, 100804 (2023).
കപൂർ എസ്. ഇടി. പരിഷ്കരണം: മെഷീൻ പഠനത്തെ അടിസ്ഥാനമാക്കിയുള്ള ശാസ്ത്രീയ റിപ്പോർട്ടിംഗ് നിലവാരം. Https://argiv.org/abs/2308.07832 (2023) ൽ പ്രിന്റ്പ്രിന്റ് ലഭ്യമാണ്.
ഡെമാസി, ഒ., കോഡിംഗ്, സി., ബി. പ്ലോസ് ഒന്ന് 12, e0184604 (2017).
റോബർട്ട്സ്, എം., മറ്റുള്ളവർ. കാസ്റ്റ് എക്സ്-റേകളിൽ നിന്ന് ഉടൻ കണ്ടെത്താനും പ്രവചിക്കാനും പൊതുവായ പിത്തകങ്ങളും മികച്ച പരിശീലനങ്ങളും ഉപയോഗിക്കുന്നതിനുള്ള മികച്ച പരിശീലനങ്ങളും ടോമോഗ്രഫി. നാറ്റ്. പരമാവധി. ഇന്റൽ. 3, 199-217 (2021).
വിനാന്റ്സ് എൽ. മറ്റുള്ളവർ. കോവിഡ് -1 ന്റെ രോഗനിർണയം, പ്രെട്ടോണിക്കുകൾ എന്നിവയ്ക്കുള്ള പ്രവചന മോഡലുകൾ: ചിട്ടയായ അവലോകനവും നിർണ്ണായക മൂല്യവും. BMJ 369, M1328 (2020).
തിമിൻ എസ്., ഷ്രീബർ ജെ. നാറ്റ്. പാസ്റ്റർ ഗിനെറ്റ്. 23, 169-181 (2022).
ആട്രിസ് എൻ. മറ്റുള്ളവ. രസതന്ത്രപരമായ പഠനത്തിനുള്ള മികച്ച പരിശീലനങ്ങൾ. നാറ്റ്. രാസവസ്തു. 13, 505-508 (2021).
ഭാഗിക ഡിഫറൻഷ്യൽ സമവാക്യങ്ങളുടെ യന്ത്രപ്രവർത്തനത്തിനായി ബ്രഷണൺ സ്ലറും കുട്ടൂസും ജെഎൻ വാഗ്ദാനം നിർദ്ദേശങ്ങൾ. നാറ്റ്. കണക്കാക്കുക. ശാസ്ത്രം. 4, 483-494 (2024).
വിനോസ, ആർ., ബ്രാണ്ടൺ, മെഷീൻ പഠനത്തിലൂടെ കമ്പ്യൂട്ടേഷണൽ ദ്രാവക ചലനാത്മകത മെച്ചപ്പെടുത്തൽ. നാറ്റ്. കണക്കാക്കുക. ശാസ്ത്രം. 2, 358-366 (2022).
Comau, s. Et al. ശാരീരികമായി വിവരമുള്ള ന്യൂറൽ നെറ്റ്വർക്കുകളുള്ള ശാസ്ത്രീയ യന്ത്ര പഠനം: ഞങ്ങൾ ഇപ്പോൾ എവിടെയാണ്, അടുത്തത് എന്താണ്. ജെ. സയൻസ്. കണക്കാക്കുക. 92, 88 (2022).
ഡ്യൂറൈസാമി, കെ., യാക്കുകനോ, ജി. ആൻസിയുടെ പുതുക്കിയ പതിപ്പ്. 51, 357-377 (2019).
ജിയോഫിസിക്കൽ ഹൈഡ്രോഡൈനാമിക്സിലെ തരംഗ സമവാക്യങ്ങൾ പരിഹരിക്കുന്നതിനുള്ള ഡോ. 32 (സ്പ്രിംഗർ, 2013).
ഡിഫറൻഷ്യൽ സമവാക്യങ്ങളുടെ ഡാറ്റ-നയിക്കപ്പെടുന്ന കണക്കുകൂട്ടലിനായി മിശ്ര, എസ്. ഒരു മെഷീൻ പഠന ചട്ടക്കൂട്. ഗണിതശാസ്ത്രം. എഞ്ചിനീയർ. https://doi.org/10.3934/Mine.2018.1.118 (2018).
കൊച്ചികോവ് ഡി. മെഷീൻ ലേണിംഗ് - കമ്പ്യൂട്ടേഷണൽ ഫ്ലൂയിഡ് ഡൈനാമിക്സിന്റെ ത്വരണം. പ്രക്രിയ. നാഷണൽ അക്കാദമി ഓഫ് സയൻസസ്. ശാസ്ത്രം. യുഎസ് 118, E2101784118 (2021).
കടപ്പ, കെ. മെഷീൻ പഠനം Preprint available at https://arxiv.org/abs/2112.12054 (2021).
റോസ്, എ., ലി, ഇസഡ്., പെരെസോഗിൻ, പി., ഫെർണാണ്ടസ്-ഗ്രാൻഡ, സി. J.ADV. മോഡൽ. ഭൂമി സമ്പ്രദായം. 15. E2022MS003258 (2023).
ഫ്രാക്ടകൾ, പിആർ മറ്റുള്ളവരും. സങ്കീർണ്ണമായ സ്പാറ്റാമോള ചലനാത്മകത പ്രവചിക്കുന്നതിന് ആവർത്തിച്ചുള്ള ന്യൂറൽ നെറ്റ്വർക്കുകളിൽ ബാക്ക്പ്രൊപാഗേഷൻ അൽഗോരിതം, റിസർവോയർ കണക്കുകൂട്ടൽ. ന്യൂറൽ നെറ്റ്വർക്ക്. 126, 191-217 (2020).
റൈസി, എം., പെർഡികാരിസ്, പി. ജെ. കമ്പ്യൂട്ടർ. ഭൗതികശാസ്ത്രം. 378, 686-707 (2019).
ഗ്രോസ്മാൻ, ടിജി, കൊമോറോവ്സ്ക, യുജെ, ലുട്ട്, ജെ., ഷാൻലിബ്, കെ .- ബി. ഭൗതികശാസ്ത്രം അടിസ്ഥാനമാക്കിയുള്ള ന്യൂറൽ നെറ്റ്വർക്കുകൾ പരിമിത ഘടക രീതികളെ മറികടക്കാൻ കഴിയുമോ? Ima ജെ. അപേക്ഷകൾ. ഗണിതശാസ്ത്രം. 89, 143-174 (2024).
ഡി ലാ മാത, എഫ്എഫ്, ജിജോൺ, എ., മോളിന-സോളാരാ, എം. ഭൗതികശാസ്ത്രം. A 610, 128415 (2023).
ഷുവാങ്, പി .- വൈ. & ബാർബ, ലാം ഫിസിക്സ് ആസ്ഥാനമായുള്ള ന്യൂറൽ നെറ്റ്വർക്കുകളെക്കുറിച്ചുള്ള അനുഭവ റിപ്പോർട്ട് ദ്രാവക മോഡലിംഗിലെ ഒരു അനുഭവ റിപ്പോർട്ട്: അപകടങ്ങളും നിരാശകളും. Https://arxiv.org/abs/2205.14249 (2022) ൽ പ്രിന്റ്പ്രിന്റ് ലഭ്യമാണ്.
ഷുവാങ്, പി .- വൈ. വോർടെക്സ് രൂപീകരണത്തെക്കുറിച്ചുള്ള ശാരീരികമായി അറിവുള്ള ന്യൂറൽ നെറ്റ്വർക്കുകളുടെ ബാർബ, ലാ പ്രവചന പരിമിതികൾ. Https://arxiv.org/abs/2306.00230 (2023) ൽ പ്രിന്റ്പ്രിന്റ് ലഭ്യമാണ്.
വാങ്, എസ്., യു, എച്ച്. ജെ. കമ്പ്യൂട്ടർ. ഭൗതികശാസ്ത്രം. 449, 110768 (2022).
കൃഷ്ണപ്രിയൻ, എ., ഘോലാമി, എ., സെഹെ, എസ്., കിർബി, ആർ. ന്യൂറൽ ഇൻഫർമേഷൻ പ്രോസസ്സിംഗ് സിസ്റ്റങ്ങളിൽ 35-ാം സമ്മേളനം വാല്യം. 34, 26548-26560 (ന്യൂറിപ്സ് 2021).
ബസിർ, എസ്. AIA Scitech 2022 ഫോറത്തിൽ 2353 (ആർക്ക്, 2022).
കർണാകോവ് പി., ലിറ്റ്വിനോവ് എസ്. പ്രക്രിയ. നാഷണൽ അക്കാദമി ഓഫ് സയൻസസ്. ശാസ്ത്രം. നെക്സസ് 3, pgae005 (2024).
പ്രത്യാക്രമണത്തിന്റെ അടിസ്ഥാന തത്വങ്ങൾ ഗണ്ടേണൻ. ഫിലി.ക്രോസ്. ആർ. ഷുക്കറിന്. 379, 20200210 (2021).
അരോകാരിസ് ഇ, പിയേഴ്സൺ എ. സിസ്റ്റമാറ്റിക് അവലോകനങ്ങൾ: ഒരു അവലോകനം. അതെ. J. നഴ്സിംഗ് 114, 53-58 (2014).
മഗിയേ, ജെ. ജെ. കമ്പ്യൂട്ടർ. ഭൗതികശാസ്ത്രം. 409, 109345 (2020).
ബെസ്ജിൻ ഡിഎ, ഷ്മിഡ് എസ്ജെ, ആദം എന്നിവരും ക്ലാസിക്കൽ വിവരമുള്ള പരിമിതമായ വോളിയം സർക്യൂട്ട്, ക്ലാസിക്കൽ അല്ലാത്ത വോൾട്ടേജ് ഷോക്കുകൾക്കായി. ജെ. കമ്പ്യൂട്ടർ. ഭൗതികശാസ്ത്രം. 437, 110324 (2021).
പോസ്റ്റ് സമയം: സെപ്റ്റംബർ 29-2024