Nature.com भ्रमण गर्नुभएकोमा धन्यवाद। तपाईंले प्रयोग गरिरहनुभएको ब्राउजरको संस्करणमा सीमित CSS समर्थन छ। उत्कृष्ट परिणामहरूको लागि, हामी तपाईंलाई आफ्नो ब्राउजरको नयाँ संस्करण प्रयोग गर्न सिफारिस गर्छौं (वा इन्टरनेट एक्सप्लोररमा अनुकूलता मोड असक्षम पार्नुहोस्)। यसैबीच, निरन्तर समर्थन सुनिश्चित गर्न, हामी स्टाइलिङ वा जाभास्क्रिप्ट बिना साइट देखाउँदैछौं।
कम्प्युटेसनल फिजिक्समा मेसिन लर्निङको सबैभन्दा आशाजनक अनुप्रयोगहरू मध्ये एक आंशिक विभेदक समीकरण (PDEs) को द्रुत समाधान हो। मेसिन लर्निङ-आधारित आंशिक विभेदक समीकरण समाधानकर्ताको मुख्य लक्ष्य आधारभूत तुलनाको रूपमा सेवा गर्न मानक संख्यात्मक विधिहरू भन्दा पर्याप्त छिटो सटीक समाधानहरू उत्पादन गर्नु हो। हामी पहिले आंशिक विभेदक समीकरणहरू समाधान गर्ने मेसिन लर्निङ साहित्यको व्यवस्थित समीक्षा गर्छौं। तरल आंशिक विभेदक समीकरणहरू समाधान गर्न ML को प्रयोग रिपोर्ट गर्ने र मानक संख्यात्मक विधिहरू भन्दा श्रेष्ठता दाबी गर्ने सबै कागजातहरू मध्ये, हामीले कमजोर आधारभूत रेखाहरूको तुलनामा ७९% (६०/७६) पहिचान गर्यौं। दोस्रो, हामीले व्यापक रिपोर्टिङ पूर्वाग्रहको प्रमाण फेला पार्यौं, विशेष गरी परिणाम रिपोर्टिङ र प्रकाशन पूर्वाग्रहमा। हामी निष्कर्ष निकाल्छौं कि आंशिक विभेदक समीकरणहरू समाधान गर्ने मेसिन लर्निङ अनुसन्धान अत्यधिक आशावादी छ: कमजोर इनपुट डेटाले अत्यधिक सकारात्मक परिणामहरू निम्त्याउन सक्छ, र रिपोर्टिङ पूर्वाग्रहले नकारात्मक परिणामहरूको कम रिपोर्टिङ निम्त्याउन सक्छ। ठूलो भागमा, यी समस्याहरू विगतको प्रजनन क्षमता संकटहरू जस्तै कारकहरूबाट उत्पन्न भएको देखिन्छ: अन्वेषक विवेक र सकारात्मक परिणाम पूर्वाग्रह। हामी पक्षपाती रिपोर्टिङलाई कम गर्न तल-माथि सांस्कृतिक परिवर्तन र त्यसो गर्न विकृत प्रोत्साहनहरू कम गर्न माथि-तल संरचनात्मक सुधारको लागि आह्वान गर्छौं।
व्यवस्थित समीक्षाद्वारा उत्पन्न लेखक र लेखहरूको सूची, साथै अनियमित नमूनामा प्रत्येक लेखको वर्गीकरण, https://doi.org/10.17605/OSF.IO/GQ5B3 (सन्दर्भ १२४) मा सार्वजनिक रूपमा उपलब्ध छ।
तालिका २ मा नतिजाहरू पुन: उत्पादन गर्न आवश्यक कोड GitHub मा पाउन सकिन्छ: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (सन्दर्भ १२५) र कोड ओशनमा: https://codeocean.com/capsule/9605539/Tree/ v1 (लिङ्क १२६) र https://codeocean.com/capsule/0799002/tree/v1 (लिङ्क १२७)।
रान्डल, डी., र वेल्सर, के., आधुनिक विज्ञानमा अपरिवर्तनीयता संकट: कारणहरू, परिणामहरू, र सुधारका लागि मार्गहरू (नेशनल एसोसिएसन अफ साइन्टिस्ट्स, २०१८)।
रिची, एस. विज्ञान कथा: कसरी धोखाधडी, पूर्वाग्रह, मौनता र प्रचारले सत्यको खोजीलाई कमजोर बनाउँछ (भिन्टेज, २०२०)।
खुला वैज्ञानिक सहकार्य। मनोवैज्ञानिक विज्ञानमा प्रजनन क्षमताको मूल्याङ्कन। विज्ञान ३४९, AAAC४७१६ (२०१५)।
प्रिन्ज, एफ., स्लान्ज, टी., र असदुल्लाह, के. विश्वास गर्नुहोस् वा नगर्नुहोस्: सम्भावित औषधि लक्ष्यहरूमा प्रकाशित डेटामा हामी कति भर पर्न सक्छौं? नेट. रेभ. "ड्रग्सको खोज।" १०, ७१२ (२०११)।
बेग्ले, केजी र एलिस, एलएम प्रिक्लिनिकल क्यान्सर अनुसन्धानमा स्तर वृद्धि। प्रकृति ४८३, ५३१–५३३ (२०१२)।
ए. गेलम्यान र ई. लोकेन, द गार्डेन अफ फोर्किङ पाथ्स: किन धेरै तुलनाहरू "माछा मार्ने अभियान" वा "पी-ह्याक्स" र पूर्वनिर्धारित अनुसन्धान परिकल्पना बिना पनि समस्या हुन्, खण्ड ३४८, १-१७ (तथ्याङ्क विभाग, २०१३)।
कारागियोर्गी, जी., कासेका, जी., क्राभिट्ज, एस., नाचम्यान, बी., र शि, डी. नयाँ आधारभूत भौतिकशास्त्रको खोजीमा मेसिन लर्निङ। नेट. भौतिकशास्त्रमा दर्शनको डाक्टर। ४, ३९९–४१२ (२०२२)।
दारा एस, डामरचेर्ला एस, जाधव एसएस, बाबु सीएम र अहसान एमजे। औषधि खोजमा मेसिन लर्निङ: एक समीक्षा। आतिफ। इन्टेल। एड। ५५, १९४७–१९९९ (२०२२)।
माथर, एएस र कुट, एमएल रसायन विज्ञानमा गहन सिकाइ। जे. रसायन विज्ञान। सूचित गर्नुहोस्। मोडेल। ५९, २५४५–२५५९ (२०१९)।
राजकोमर ए., डीन जे. र कोहान आई. मेसिन लर्निङ इन मेडिसिन। न्यू इङ्गल्याण्ड जर्नल अफ मेडिसिन। ३८०, १३४७–१३५८ (२०१९)।
ग्रिमर जे, रोबर्ट्स एमई र स्टीवर्ट बीएम सामाजिक विज्ञानमा मेसिन लर्निङ: एक अज्ञेयवादी दृष्टिकोण। रेभ. एन बल। विज्ञान। २४, ३९५–४१९ (२०२१)।
जम्प, जे. एट अल। अल्फाफोल्ड प्रयोग गरेर अत्यधिक सटीक प्रोटीन संरचना भविष्यवाणी गर्नुहोस्। प्रकृति ५९६, ५८३–५८९ (२०२१)।
गुन्डरसन, ओई, कोक्ली, के., किर्कप्याट्रिक, के., र गिल, वाई. मेसिन लर्निङमा अपरिवर्तनीयताको स्रोतहरू: एक समीक्षा। प्रिप्रिन्ट https://arxiv.org/abs/2204.07610 (२०२२) मा उपलब्ध छ।
स्कली, डी., स्नूक, जे., विल्ट्स्को, ए., र रहिमी, ए. विजेताको श्राप? अनुभवजन्य प्रमाणको गति, प्रगति र कठोरतामा (ICLR, २०१८)।
आर्मस्ट्रङ, टीजी, मोफ्याट, ए., वेबर, डब्ल्यू., र जोबेल, जे. गैर-थप संवर्द्धन: १९९८ देखि प्रारम्भिक खोज परिणामहरू। सूचना र ज्ञान व्यवस्थापनमा १८ औं एसीएम सम्मेलन ६०१–६१० (एसीएम २००९)।
कपूर, एस. र नारायणन, ए. मेसिन लर्निङ-आधारित विज्ञानमा चुहावट र प्रजनन क्षमता संकट। ढाँचाहरू, ४, १००८०४ (२०२३)।
कपूर एस. एट अल. सुधार: मेसिन लर्निङमा आधारित वैज्ञानिक रिपोर्टिङ मापदण्डहरू। प्रिप्रिन्ट https://arxiv.org/abs/2308.07832 (२०२३) मा उपलब्ध छ।
डेमासी, ओ., कोर्डिङ, सी., र रेच्ट, बी. अर्थहीन तुलनाले मेडिकल मेसिन लर्निङमा झूटा आशावाद निम्त्याउन सक्छ। PloS ONE १२, e०१८४६०४ (२०१७)।
रोबर्ट्स, एम., एट अल। छातीको एक्स-रे र कम्प्युटेड टोमोग्राफीबाट COVID-19 पत्ता लगाउन र भविष्यवाणी गर्न मेसिन लर्निङ प्रयोग गर्ने सामान्य समस्याहरू र उत्तम अभ्यासहरू। नेट। म्याक्स। इन्टेल। ३, १९९–२१७ (२०२१)।
विनान्ट्ज एल. एट अल। COVID-19 को निदान र रोगको निदानको लागि भविष्यवाणी गर्ने मोडेलहरू: एक व्यवस्थित समीक्षा र आलोचनात्मक मूल्याङ्कन। BMJ 369, m1328 (2020)।
जीनोमिक्समा मेसिन लर्निङ प्रयोग गर्ने समस्याहरू पार गर्दै व्हेलेन एस., श्राइबर जे., नोबल डब्ल्यूएस र पोलार्ड केएस। नेट। पास्टर जिनेट। २३, १६९–१८१ (२०२२)।
एट्रिस एन. एट अल. रसायन विज्ञानमा मेसिन लर्निङका लागि उत्तम अभ्यासहरू। नेट. केमिकल। १३, ५०५–५०८ (२०२१)।
ब्रुन्टन एसएल र कुट्ज जेएन आंशिक भिन्नता समीकरणहरूको मेसिन लर्निङको लागि प्रतिज्ञाजनक निर्देशनहरू। नेट। गणना। विज्ञान। ४, ४८३–४९४ (२०२४)।
भिनुएसा, आर. र ब्रन्टन, एसएल मेसिन लर्निङ मार्फत कम्प्युटेसनल फ्लुइड डायनामिक्स सुधार गर्दै। नेट। क्याल्कुलेसन। विज्ञान। २, ३५८–३६६ (२०२२)।
कोमेउ, एस. एट अल। भौतिक रूपमा सूचित तंत्रिका सञ्जालहरू सहितको वैज्ञानिक मेसिन लर्निङ: हामी अहिले कहाँ छौं र अब के छ। जे. साइन्स। गणना। ९२, ८८ (२०२२)।
दुराइसामी, के., याकारिनो, जी., र जिओ, एच. डेटा युगमा टर्बुलेन्स मोडेलिङ। एन. ५१, ३५७–३७७ (२०१९) को संशोधित संस्करण।
डुरान, DR भूभौतिकीय हाइड्रोडायनामिक्समा तरंग समीकरणहरू समाधान गर्ने संख्यात्मक विधिहरू, खण्ड ३२ (स्प्रिंगर, २०१३)।
मिश्रा, एस. भिन्न समीकरणहरूको डेटा-संचालित गणनालाई गति दिनको लागि एक मेसिन लर्निङ फ्रेमवर्क। गणित। इन्जिनियर। https://doi.org/10.3934/Mine.2018.1.118 (२०१८)।
कोचिकोभ डी. एट अल। मेसिन लर्निङ - कम्प्युटेसनल फ्लुइड डायनामिक्सको प्रवेग। प्रक्रिया। राष्ट्रिय विज्ञान प्रतिष्ठान। विज्ञान। US 118, e2101784118 (2021)।
कडप्पा, के. कम्प्युटर विज्ञान र इन्जिनियरिङका लागि मेसिन लर्निङ - संक्षिप्त परिचय र केही प्रमुख मुद्दाहरू। प्रिप्रिन्ट https://arxiv.org/abs/2112.12054 (२०२१) मा उपलब्ध छ।
रस, ए., ली, जेड., पेरेझोगिन, पी., फर्नान्डेज-ग्रान्डा, सी., र जान्ना, एल. आदर्शीकृत मोडेलहरूमा मेसिन लर्निङ महासागर उपग्रिड प्यारामिटराइजेसनको तुलनात्मक विश्लेषण। जे.एड. मोडेल। पृथ्वी प्रणाली। १५. e2022MS003258 (२०२३)।
लिप्पे, पी., विलिङ, बी., पेर्डिकारिस, पी., टर्नर, आर., र ब्रान्डस्टेटर, जे. पीडीई रिफाइनमेन्ट: न्यूरल पीडीई सोल्भरको साथ सटीक लामो एक्सट्रुजनहरू प्राप्त गर्दै। न्यूरल इन्फर्मेसन प्रोसेसिङ सिस्टम्समा ३७ औं सम्मेलन (न्यूरआईपीएस २०२३)।
फ्राचास, पीआर एट अल। जटिल स्पेसियोटेम्पोरल गतिशीलताको भविष्यवाणी गर्न पुनरावर्ती तंत्रिका नेटवर्कहरूमा ब्याकप्रोपेगेशन एल्गोरिथ्म र जलाशय गणना। तंत्रिका नेटवर्क। १२६, १९१–२१७ (२०२०)।
रायसी, एम., पेर्डिकारिस, पी. र कर्नियाडाकिस, जीई भौतिकशास्त्र, कम्प्युटर विज्ञान, तंत्रिका सञ्जाल: गैर-रेखीय आंशिक भिन्नता समीकरणहरू समावेश गर्ने अगाडि र उल्टो समस्याहरू समाधान गर्नको लागि गहिरो सिकाइ रूपरेखा। जे. कम्प्युटर। भौतिकशास्त्र। ३७८, ६८६–७०७ (२०१९)।
ग्रोसम्यान, टीजी, कोमोरोव्स्का, यूजे, लुट्ज, जे., र शोनलिब, के.-बी। के भौतिकशास्त्रमा आधारित तंत्रिका सञ्जालहरूले सीमित तत्व विधिहरूलाई उत्कृष्ट प्रदर्शन गर्न सक्छन्? आईएमए जे. अनुप्रयोगहरू। गणित। ८९, १४३–१७४ (२०२४)।
डे ला माटा, एफएफ, गिजोन, ए., मोलिना-सोलाना, एम., र गोमेज-रोमेरो, जे. डेटा-संचालित मोडेलिङका लागि भौतिकशास्त्र-आधारित तंत्रिका नेटवर्कहरू: फाइदाहरू, सीमितताहरू, र अवसरहरू। भौतिकशास्त्र। ए ६१०, १२८४१५ (२०२३)।
झुआङ, पी.-वाई. र बार्बा, एलए फ्लुइड मोडलिङमा भौतिकशास्त्रमा आधारित तंत्रिका सञ्जालहरूमा एक अनुभवजन्य रिपोर्ट: समस्याहरू र निराशाहरू। प्रिप्रिन्ट https://arxiv.org/abs/2205.14249 (२०२२) मा उपलब्ध छ।
झुआङ, पी.-वाई. र बार्बा, एलए भर्टेक्स गठनमा भौतिक रूपमा सूचित तंत्रिका सञ्जालहरूको भविष्यवाणी सीमितताहरू। प्रिप्रिन्ट https://arxiv.org/abs/2306.00230 (२०२३) मा उपलब्ध छ।
वाङ, एस., यु, एच., र पेर्डिकारिस, पी. कहिले र किन पिन्स तालिम लिन असफल हुन्छन्: एक तंत्रिका ट्यान्जेन्ट न्यूक्लियस परिप्रेक्ष्य। जे. कम्प्युटर। भौतिकशास्त्र। ४४९, ११०७६८ (२०२२)।
कृष्णप्रियण, ए., घोलामी, ए., झे, एस., किर्बी, आर., र महोनी, मेगावाट भौतिक सूचना तंत्रिका सञ्जालहरूमा सम्भावित विफलता मोडहरूको विशेषताहरू। तंत्रिका सूचना प्रशोधन प्रणालीहरूमा ३५ औं सम्मेलन खण्ड ३४, २६५४८–२६५६० (न्यूरआईपीएस २०२१)।
बसिर, एस. र सेनोकक, आई. भौतिकशास्त्रमा आधारित तंत्रिका सञ्जालहरूमा विफलता मोडहरूको एक आलोचनात्मक अध्ययन। AiAA SCITECH २०२२ फोरम २३५३ (ARK, २०२२) मा।
कर्नाकोभ पी., लिटभिनोभ एस. र कौमुत्साकोस पी. असतत हानिलाई अनुकूलन गरेर भौतिक व्युत्क्रम समस्याहरू समाधान गर्ने: तंत्रिका सञ्जाल बिना छिटो र सटीक सिकाइ। प्रक्रिया। राष्ट्रिय विज्ञान प्रतिष्ठान। विज्ञान। नेक्सस ३, pgae005 (२०२४)।
गुन्डरसन OE पुनरुत्पादन क्षमताका आधारभूत सिद्धान्तहरू। फिल.क्रस। आर. शुकर। ए ३७९, २०२००२१० (२०२१)।
एरोमाटारिस ई र पियर्सन ए. प्रणालीगत समीक्षा: एक सिंहावलोकन। हो। जे. नर्सिङ ११४, ५३–५८ (२०१४)।
म्यागिएरा, जे., रे, डी., हेस्थेभन, जे.एस., र रोहडे, के. रिम्यान समस्याको लागि अवरोध-सचेत तंत्रिका नेटवर्कहरू। जे. कम्प्युटर। भौतिकशास्त्र। ४०९, १०९३४५ (२०२०)।
बेजगिन डीए, श्मिट एसजे र एडम्स एनए गैर-शास्त्रीय घटाइएको भोल्टेज झटकाको लागि डेटा-संचालित भौतिक रूपमा सूचित परिमित भोल्युम सर्किट। जे. कम्प्युटर। भौतिकी। ४३७, ११०३२४ (२०२१)।
पोस्ट समय: सेप्टेम्बर-२९-२०२४