कमकुवत बेसलाइन आणि रिपोर्टिंग बायसमुळे द्रव-संबंधित आंशिक विभेदक समीकरणे मशीन शिक्षणात जास्त ऑप्टिमिझम होतो.

निसर्ग.कॉमला भेट दिल्याबद्दल धन्यवाद. आपण वापरत असलेल्या ब्राउझरच्या आवृत्तीमध्ये मर्यादित सीएसएस समर्थन आहे. सर्वोत्कृष्ट निकालांसाठी, आम्ही शिफारस करतो की आपण आपल्या ब्राउझरची नवीन आवृत्ती वापरा (किंवा इंटरनेट एक्सप्लोररमध्ये सुसंगतता मोड अक्षम करा). दरम्यान, चालू समर्थन सुनिश्चित करण्यासाठी आम्ही स्टाईल किंवा जावास्क्रिप्टशिवाय साइट दर्शवित आहोत.

पद्धतशीर पुनरावलोकनाद्वारे व्युत्पन्न केलेल्या लेखक आणि लेखांची यादी तसेच यादृच्छिक नमुन्यातील प्रत्येक लेखाचे वर्गीकरण सार्वजनिकपणे https://doi.org/10.17605/OSF.io/gq5b3 (रेफ. 124) वर सार्वजनिकपणे उपलब्ध आहे.
सारणी 2 मधील निकालांचे पुनरुत्पादन करण्यासाठी आवश्यक असलेला कोड गिटब वर आढळू शकतो: वृक्ष/ व्ही 1 (दुवा 126) आणि https://codeocean.com/capsule/0799002/tree/v1 (दुवा 127).
रँडल, डी., आणि वेल्सर, के.
रिची, एस. सायन्स फिक्शन: कसे फसवणूक, पूर्वाग्रह, शांतता आणि हायपने सत्यासाठी शोध कमी केला (व्हिंटेज, 2020).
मुक्त वैज्ञानिक सहयोग. मानसशास्त्रीय विज्ञानात पुनरुत्पादकतेचे मूल्यांकन करणे. विज्ञान 349, एएएसी 4716 (2015).
प्रिंझ, एफ., श्लेंज, टी. आणि असदुल्ला, के. यावर विश्वास ठेवा किंवा नाही: संभाव्य औषधांच्या लक्ष्यांवरील प्रकाशित डेटावर आपण किती अवलंबून राहू शकतो? नेट. रेव्ह. "ड्रग्सचा शोध." 10, 712 (2011).
बेगले, केजी आणि एलिस, एलएम प्रीक्लिनिकल कॅन्सर रिसर्चमध्ये मानक वाढवित आहेत. निसर्ग 483, 531–533 (2012).
ए. गेलमन आणि ई. लोकेन, फोर्किंग पथांची गार्डन: एकाधिक तुलना "फिशिंग मोहीम" किंवा "पी-हॅक्स" आणि प्रीफॉर्म्ड रिसर्च गृहीतक, खंड न घेता देखील एक समस्या आहे. 348, 1-17 (सांख्यिकी विभाग, 2013).
करागिओर्गी, जी., कासेका, जी., क्रॅविझ, एस., नाचमन, बी. नेट. भौतिकशास्त्रातील तत्वज्ञानाचे डॉक्टर. 4, 399–412 (2022).
दारा एस, डेमरचेर्ला एस, जाधव एसएस, बाबू सीएम आणि अहसन एमजे. औषध शोधात मशीन लर्निंग: एक पुनरावलोकन. Atif. Intel. Ed. 55, 1947–1999 (2022).
माथेर, एएस आणि कोटे, रसायनशास्त्रात एमएल डीप लर्निंग. जे.केमिस्ट्री. सूचित करा. मॉडेल. 59, 2545–2559 (2019).
राजकोमार ए., डीन जे. आणि कोहान आय. मेडिसिनमध्ये मशीन लर्निंग. न्यू इंग्लंड जर्नल ऑफ मेडिसिन. 380, 1347–1358 (2019).
ग्रिमर जे, रॉबर्ट्स मी. आणि सामाजिक विज्ञानातील स्टीवर्ट बीएम मशीन लर्निंग: एक अज्ञेय दृष्टीकोन. रेव्ह. अ‍ॅन बॉल. विज्ञान. 24, 395–419 (2021).
जंप, जे. एट अल. अल्फाफोल्डचा वापर करून अत्यंत अचूक प्रथिने रचना अंदाज बनवा. निसर्ग 596, 583–589 (2021).
मशीन लर्निंगमध्ये गुंडसन, ओई, कोकले, के., किर्कपॅट्रिक, के., आणि गिल, वाय. Https://arxiv.org/abs/2204.07610 (2022) वर प्रिंट उपलब्ध आहे.
स्कुली, डी., स्नूक, जे., विल्ट्स्को, ए. आणि रहीमी, ए. विजेता शाप? On the speed, progress and rigor of empirical evidence (ICLR, 2018).
आर्मस्ट्राँग, टीजी, मॉफॅट, ए., वेबर, डब्ल्यू.
कपूर, एस. आणि नारायणन, ए. मशीन लर्निंग-आधारित विज्ञानातील गळती आणि पुनरुत्पादकता संकट. नमुने, 4, 100804 (2023).
कपूर एस. इट अल. सुधारणा: मशीन लर्निंगवर आधारित वैज्ञानिक अहवाल मानक. Https://arxiv.org/abs/2308.07832 (2023) वर प्रिंट उपलब्ध आहे.
डेमासी, ओ., कॉर्डिंग, सी. आणि रीच्ट, बी. निरर्थक तुलना वैद्यकीय मशीन लर्निंगमध्ये खोटा आशावाद होऊ शकतात. पीएलओएस एक 12, E0184604 (2017).
रॉबर्ट्स, एम., इत्यादी. छातीचा एक्स-रे आणि संगणकीय टोमोग्राफीपासून कोव्हिड -19 शोधण्यासाठी आणि अंदाज लावण्यासाठी मशीन लर्निंगचा वापर करण्यासाठी सामान्य अडचणी आणि सर्वोत्तम पद्धती. नेट. कमाल. इंटेल. 3, 199–217 (2021).
विनंत्झ एल. एट अल. सीओव्हीआयडी -१ of च्या निदान आणि रोगनिदानासाठी भविष्यवाणी करणारे मॉडेलः एक पद्धतशीर पुनरावलोकन आणि गंभीर मूल्यांकन. BMJ 369, m1328 (2020).
जीनोमिक्समध्ये मशीन लर्निंग वापरण्याच्या अडचणींवर मात करणारे व्हेलन एस., श्रीबर जे., नोबल डब्ल्यूएस आणि पोलार्ड के. नेट. पास्टर जिनेट. 23, 169–181 (2022).
अ‍ॅट्रिस एन. एट अल. रसायनशास्त्रात मशीन लर्निंगसाठी सर्वोत्तम पद्धती. नेट. रासायनिक. 13, 505-508 (2021).
आंशिक विभेदक समीकरणे मशीन शिकण्यासाठी ब्रंटन एसएल आणि कुत्झ जेएन आशादायक दिशानिर्देश. नेट. गणना करा. विज्ञान. 4, 483–494 (2024).
व्हिन्यूसा, आर. आणि ब्रंटन, एसएल मशीन लर्निंगद्वारे संगणकीय द्रव गतिशीलता सुधारत आहे. नेट. गणना करा. विज्ञान. 2, 358–366 (2022).
कोम्यू, एस. इत्यादी. शारीरिकदृष्ट्या माहिती नसलेल्या तंत्रिका नेटवर्कसह वैज्ञानिक मशीन शिक्षणः आम्ही आता कुठे आहोत आणि पुढे काय आहे. जे विज्ञान. गणना करा. 92, 88 (2022).
ड्युरायसामी, के., यकारिनो, जी., आणि जिओ, एच. टर्बुलेन्स मॉडेलिंग डेटा युगात. एनची सुधारित आवृत्ती. 51, 357–377 (2019).
दुरान, जिओफिजिकल हायड्रोडायनामिक्स, खंडातील वेव्ह समीकरणांचे निराकरण करण्यासाठी डॉ. संख्यात्मक पद्धती. 32 (स्प्रिंगर, 2013).
मिश्रा, एस. विभेदक समीकरणांच्या डेटा-चालित गणनाची गती वाढविण्यासाठी मशीन लर्निंग फ्रेमवर्क. गणित. अभियंता. https://doi.org/10.3934/mine.2018.1.118 (2018).
कोचिकोव्ह डी. एट अल. मशीन लर्निंग - संगणकीय द्रव गतिशीलतेचे प्रवेग. प्रक्रिया. नॅशनल Academy कॅडमी ऑफ सायन्सेस. विज्ञान. यूएस 118, e210178418 (2021).
कदापा, के. संगणक विज्ञान आणि अभियांत्रिकीसाठी मशीन लर्निंग - एक संक्षिप्त परिचय आणि काही महत्त्वाचे मुद्दे. Https://arxiv.org/abs/2112.12054 (2021) वर प्रिंट उपलब्ध आहे.
रॉस, ए., ली, झेड., पेरेझोगिन, पी., फर्नांडिज-ग्रांडा, सी. आणि झन्ना, एल. आदर्श मॉडेलमधील मशीन लर्निंग ओशन सबग्रीड पॅरामीटरायझेशनचे तुलनात्मक विश्लेषण. जे.एडीव्ही. मॉडेल. पृथ्वी प्रणाली. 15. E2022MS003258 (2023).
लिप्पे, पी., विलिंग, बी., पेर्डीकरिस, पी., टर्नर, आर. तंत्रिका माहिती प्रक्रिया प्रणालीवरील 37 वा परिषद (न्यूरिप्स 2023).
फ्रेचा, पीआर एट अल. जटिल स्पॅटिओटेम्पोरल डायनेमिक्सचा अंदाज लावण्यासाठी वारंवार न्यूरल नेटवर्कमधील बॅकप्रोपॅगेशन अल्गोरिदम आणि जलाशयांची गणना. तंत्रिका नेटवर्क. 126, 191-2217 (2020).
रायसी, एम., पेरडिकारिस, पी. आणि कर्नियाडाकिस, जीई फिजिक्स, कॉम्प्यूटर सायन्स, न्यूरल नेटवर्क: नॉनलाइनर आंशिक भिन्न समीकरणे समाविष्ट असलेल्या पुढे आणि व्यस्त समस्यांचे निराकरण करण्यासाठी एक सखोल शिक्षण फ्रेमवर्क. जे संगणक. भौतिकशास्त्र. 378, 686-707 (2019).
ग्रॉसमॅन, टीजी, कोमरोव्स्का, यूजे, लुट्झ, जे., आणि शॉनलीब, के.-बी. भौतिकशास्त्र-आधारित न्यूरल नेटवर्क मर्यादित घटकांच्या पद्धतींपेक्षा जास्त करू शकतात? आयएमए जे. अनुप्रयोग. गणित. 89, 143–174 (2024).
डी ला मटा, एफएफ, गिजॉन, ए., मोलिना-सोलाना, एम., आणि गोमेझ-रोमेरो, जे. भौतिकशास्त्र-आधारित न्यूरल नेटवर्क डेटा-चालित मॉडेलिंगसाठी: फायदे, मर्यादा आणि संधी. भौतिकशास्त्र. ए 610, 128415 (2023).
झुआंग, पी. वाय. & 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).
झुआंग, पी. वाय. आणि बार्बा, एलए व्होर्टेक्स निर्मितीवरील शारीरिकदृष्ट्या माहिती नसलेल्या तंत्रिका नेटवर्कच्या भाकित मर्यादा. Https://arxiv.org/abs/2306.00230 (2023) वर प्रिंट उपलब्ध आहे.
वांग, एस., यू, एच., आणि पेर्डीकरिस, पी. केव्हा आणि का पिन ट्रेनमध्ये अपयशी ठरतात: एक मज्जातंतू टॅन्जेंट न्यूक्लियस दृष्टीकोन. जे संगणक. भौतिकशास्त्र. 449, 110768 (2022).
कृष्णाप्रियान, ए., घोलामी, ए., झे, एस., किर्बी, आर. न्यूरल माहिती प्रोसेसिंग सिस्टम व्हॉल्यूम वर 35 व्या परिषद. 34, 26548–26560 (न्यूरिप्स 2021).
बासिर, एस. आणि सेनोकक, आय. भौतिकशास्त्र-आधारित न्यूरल नेटवर्कमधील अपयश मोडचा एक गंभीर अभ्यास. एआयएए स्किटेक 2022 फोरम 2353 (आर्क, 2022) मध्ये.
कर्नाकोव्ह पी., लिट्विनोव्ह एस. प्रक्रिया. नॅशनल Academy कॅडमी ऑफ सायन्सेस. विज्ञान. नेक्सस 3, pgae005 (2024).
पुनरुत्पादकतेची gundersen oe मूलभूत तत्त्वे. फिल.क्रॉस. आर. शुकर. ए 379, 20200210 (2021).
अरोमॅटारिस ई आणि पीअरसन ए. पद्धतशीर पुनरावलोकने: एक विहंगावलोकन. होय. जे. नर्सिंग 114, 53-58 (2014).
मॅगिएरा, जे., रे, डी., हेस्थावेन, जेएस, आणि रोहडे, के. रिमॅन समस्येसाठी मर्यादित न्यूरल नेटवर्क. जे संगणक. भौतिकशास्त्र. 409, 109345 (2020).
बेझगिन डीए, श्मिट एसजे आणि अ‍ॅडम्स एनए डेटा-चालित नॉन-शास्त्रीय कमी व्होल्टेज शॉकसाठी शारीरिकदृष्ट्या परिष्कृत व्हॉल्यूम सर्किट. जे संगणक. भौतिकशास्त्र. 437, 110324 (2021).