දුර්වල පාදක සහ වාර්තාකරණය, යන්ත්රවල තරල ආශ්රිත අර්ධ අවකල සමීකරණ පිළිබඳ මැෂින් ඉගෙනීම පිළිබඳ අධික ලෙස ශුභවාදීත්වයට හේතු වේ.

Nubile.com වෙබ් අඩවියට පිවිසීමට ස්තූතියි. ඔබ භාවිතා කරන බ්රව්සරයේ අනුවාදය සීමිත CSS සහාය ඇත. හොඳම ප්රති results ල සඳහා, ඔබගේ බ්රව්සරයේ නව අනුවාදයක් භාවිතා කිරීමට අපි නිර්දේශ කරමු (හෝ ඉන්ටර්නෙට් එක්ස්ප්ලෝරර් හි අනුකූලතා මාදිලිය අක්රීය කරන්න). මේ අතර, අඛණ්ඩ සහයෝගය සහතික කිරීම සඳහා, අපි වෙබ් අඩවිය මෝස්තරයක් හෝ ජාවාස්ක්රිප්ට් නොමැතිව පෙන්වයි.
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. අර්ධ වශයෙන් අවකල සමීකරණ විසඳීම පිළිබඳ සාහිත්යය මැෂින් ඉගෙනීමේ සාහිත්යය පිළිබඳ ක්රමානුකූල සමාලෝචනයක් අපි පළමුව පවත්වන්නෙමු. 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.
ක්රමානුකූලව සමාලෝචනය කිරීමෙන් ජනනය වන කතුවරුන් සහ ලිපි මෙන්ම අහඹු නියැදියෙහි එක් එක් ලිපියක වර්ගීකරණය, https//doi.org/1/doi.org/1/doi.org/1/doi.org 3/17605/osf.io/gq5B3 හි ප්රසිද්ධියේ ලබා ගත හැකිය (Ref. 124).
2 වන වගුවේ ප්රති results ල ප්රජනනය කිරීමට අවශ්ය කේතය GitHub.com/dikmcGreivy/weakbreivy/weakbaselinesml/ (RETPS.6./codocean.com/capsule/9605539/ ගස / v1 (ලින්ක් 126) සහ https :://codocean.com/capsule/0799002/tree/v1 (LINK 127).
නූතන විද්යාවේ නොපැහැදිලි සහ වෙසෙර්, කේ. කේ.
රිචී, එස්.
විවෘත විද්යාත්මක සහයෝගීතාව. මනෝවිද්යාත්මක විද්යාවේ ප්රජනන හැකියාව තක්සේරු කිරීම. විද්යාව 349, AAAC4716 (2015).
ප්රින්ස්, එෆ්, ෂ්ලන්ජ්, ටී. ටී. සහ ආසඩුල්ලා, කේ. නැට්. ගරු. ".ෂධ සොයා ගැනීම". " 10, 712 (2011).
ANGLETY, KG සහ ELLIS, LM නිරවද්යශීලී පිළිකා පර්යේෂණයක ප්රමිති ඉහළ නැංවීම. සොබාදහම 483, 531-533 (2012).
පිළිතුර - ජෙල්මන් සහ ඊ. 348, 1-17 (සංඛ්යාලේඛන දෙපාර්තමේන්තුව 2013).
කරගරියගි, ජී, ජී. නැට්. භෞතික විද්යාව පිළිබඳ දර්ශනවාදයේ වෛද්යවරයා. 4, 399-4412 (2022).
ඩාරා එස්, ඩැම්ර්ක්ර්ල්ලා එස්, ජැඩ්වාව් එස්එස්, බාබු මහඇමති, ආසියානු එම්.ජේ. මත්ද්රව්ය සොයාගැනීමේදී යන්ත්ර ඉගෙනීම: සමාලෝචනයක්. Atif. ඉන්ටෙල්. සංස්. 55, 1947-1999 (2022).
මැතිව්, කෝප්පයක් මෙන්ම රසායන විද්යාවේ මිල දීප්තිමත් ඉගෙනීම. J.chemistry. දැනුම් දෙන්න. ආකෘතිය. 59, 2545-2559 (2019).
රාජ්කාමාර් ඒ., ඩීන් ජේ. සහ කොහාන් අයි. මැෂින් වෛද්ය විද්යාව. නව එංගලන්ත වෛද්ය සඟරාව. 380, 1347-1358 (2019).
ග්රිම්මර් ජේ, රොබට්ස් මට. සහ සමාජ විද්යාවන්හි ස්ටීවර්ට් බීඑම් මැෂින් ඉගෙනීම: අ nost ෙයජි. ගරු Ann න් බෝල්. විද්යාව. 24, 395-419 (2021).
පැනීම, ජේ. සහ වෙනත් අල්. ඇල්ෆෝල්ඩ් භාවිතයෙන් ඉතා නිවැරදි ප්රෝටීන් ව්යුහයන් අනාවැකි. සොබාදහම 596, 583-589 (2021).
ගුන්ඩර්සන්, ඕඊ, කොක්ලි, කේ, කේ., කිර්ක්පැට්රික්, කේ, කේ, කේ, කේ, කේ, කේ, කේ, කේ. Httpsw.org/abs/2204.07610 (2022) හි ඇති පූර්ව මුද්රණය.
ස්කලී, ඩී., ස්නූක්, ජේ, විල්ට්ස්ච්කෝ, ඒ., සහ රහිමි, ඒ. ජයග්රාහකයාගේ ශාපය? ආනුභවික සාක්ෂිවල වේගවත්, ප්රගතිය සහ දෘඩතාව (ICLR, 2018).
ආම්ස්ට්රෝං, ටී.ජී., මොෆට්, ​​ඒ, වෙබ්, ජේ. ආකලන නොවන වැඩිකතාවයන්: තොරතුරු හා දැනුම කළමනාකරණය පිළිබඳ 18 වන ACM සමුළුව 601-610 (ACM 2009).
මැෂින් ඉගෙනුම් මත පදනම් වූ විද්යාවේ කපූර්, එස්. සහ නාරායනාන්, ඒ. කාන්දු වීම සහ ප්රජනන හැකියාව. රටා, 4, 100804 (2023).
Kaporor s at. ප්රතිසංස්කරණ: යන්ත්ර ඉගෙනීම මත පදනම් වූ විද්යාත්මක වාර්තාකරණ ප්රමිති. Httpsw.org/abs/2308.07832 (2023) හි (2023) පූර්ව මුද්රණය.
ඩෙමසි, ඕ., ඩ්රයිම්, සී., සහ රෙක්ට්, බී. අර්ථ විරහිත සංසන්දනය කිරීම වෛද්ය යන්ත්ර ඉගෙනීමේ ව්යාජ ශුභවාදීට හේතු විය හැක. ප්ලොස් එක 12, e0184604 (2017).
රොබට්ස්, එම්, සහ වෙනත් අල්. යන්ත්ර -1 19 පපුවේ එක්ස් කිරණ සහ පරිගණකමය භූගෝලීය සිට COVID-19 හඳුනා ගැනීමට මැෂින් ඉගෙනීම භාවිතා කිරීම සඳහා පොදු අන්තරායන් සහ හොඳම භාවිතයන්. නැට්. උපරිම. ඉන්ටෙල්. 3, 199-217 (2021).
Winantz L. ET AL. Cavid-19: 19: 19: ක්රමානුකූලව සමාලෝචනය සහ විවේචනාත්මක ඇගයීම පිළිබඳ රෝග විනිශ්චය සහ පුරෝකථනය කිරීම සඳහා පුරෝකථන ආකෘති. BMJ 369, M1328 (2020).
Whalaly s, schreibre j., නොබෙල් ඩබ්ලිව්. නැට්. පාස්ටර් යක්ෂයා. 23, 169-181 (2022).
Artris n at. රසායන විද්යාවේ යන්ත්ර ඉගෙනීම සඳහා හොඳම භාවිතයන්. නැට්. රසායනිකය. 13, 505-508 (2021).
අබ්බවිල්ටන් එස්එල් සහ කුට්ස් ජේඑන් හි අර්ධ වශයෙන් අර්ධ අවකලික සමීකරණ ඉගෙන ගැනීම සඳහා උපදෙස් ලබා දෙන ලදී. නැට්. ගණනය කරන්න. විද්යාව. 4, 483-494 (2024).
විමුසා, ආර්. සහ බුරුතුම, ශ්රී ලංකාව යන්ත්ර ඉගෙනීම තුළින් පරිගණක තරල ගතිකතාවයන් වැඩි දියුණු කිරීම. නැට්. ගණනය කරන්න. විද්යාව. 2, 358-366 (2022).
අප්, ​​එස්. සහ වෙනත් අල්. භෞතිකව දැනුම් දී ඇති ස්නායුක ජාලයන් සමඟ විද්යාත්මක යන්ත්ර ඉගෙනීම: අප දැන් සිටින තැන සහ ඊළඟ දේ. ජේ. විද්යාව. ගණනය කරන්න. 92, 88 (2022).
දුරෙයිසි, කේ, ජී, ජී. සහ ෂියාඕ, එච්. Ann න් සංශෝධිත සංස්කරණය. 51, 357-377 (2019).
ඩුරත්, භූ භෞතික ජල විද්යාවේ තරංග සමීකරණ විසඳීම සඳහා වෛද්ය සංඛ්යාත්මක ක්රම, වෙළුම. 32 (ස්ප්රින්ගර්, 2013).
මිශ්ර, එස්. විවිධ සමීකරණවල දත්ත මත පදනම් වූ දත්ත මත යැපීම සඳහා යන්ත්ර ඉගෙනීමේ රාමුවක්. ගණිතය. ඉංජිනේරු. https://doi.org/10.3934/min.in.2018.1.118 (2018).
කොචිකොව් ඩී. යන්ත්ර ඉගෙනීම - පරිගණකමය තරල ගතික ත්වරණය ත්වරණය. ක්රියාවලිය. ජාතික විද්යා ඇකඩමිය. විද්යාව. එක්සත් ජනපද 118, e2101784118 (2021).
පරිගණක විද්යාව හා ඉංජිනේරු විද්යාව සඳහා කඩ, කේ මැෂින් ඉගෙනුම් සඳහා කඩ, කඩ මැෂින් ඉගෙනීම - කෙටි හැඳින්වීමක් සහ ප්රධාන ගැටළු කිහිපයක්. Httpsw.org/abs/2112.12054 (2021) හි ඇති පෙර මුද්රණය.
රෝස්, ඒ., ලී, ලී, ඉසෙඩ්, පෙරෙස්ජින්, පී., ෆර්නැන්ඩාස්-සීයා, පී, ෆර්නැන්ඩා, සී., සන්නායක J.adv. ආකෘතිය. පෘථිවි පද්ධතිය. 15. E2022M003258 (2023).
ලිපිපේ, පී., පී., පී., පර්ඩිකාර, පී., ටර්ඩිකරිස්, පී., ටර්ඩර්, ආර්. ස්නායුක තොරතුරු සැකසුම් පද්ධති මත 37 වන සමුළුව (නියුරියෝ 2023).
ෆ්රැකස්, pr et al. සංකීර්ණ Spatial porperial dymances පුරෝකථනය කිරීම සඳහා පුනරාවර්තන ස්නායුක ජාලයන්හි බැක්පෝරා පතාන ඇල්ගොරිතම සහ ජලාශ ගණනය කිරීම. ස්නායුක ජාලය. 126, 191-217 (2020).
රයිසී, එම්. ජේ. පරිගණක. භෞතික විද්යාව. 378, 686-7707 (2019).
ග්රොස්මන්, ටී.ජී., කොමරොව්ස්කා, යූජ්, ලුට්ස්, ජේ, ෂාන්ලියීබ්, කේ.-. භෞතික විද්යාව පදනම් කරගත් ස්නායුක ජාලයන් සීමිත මූලද්රව්ය ක්රම අභිබවා යා හැකිද? ඉමා ජේ. අයදුම්පත්. ගණිතය. 89, 143-174 (2024).
ඩි ලා මැටා, එෆ්එෆ්, ජීඅයිජොන්, ඒ, මොලිනා-සොලානා, එම්, සහ දත්ත මෙහෙයවන ආකෘති නිර්මාණය සඳහා එම්. භෞතික විද්යාව. A 610, 128415 (2023).
Zhuang, p.-y. & බාබා, ලා ලාංඡනය පිළිබඳ භෞතික විද්යාව පදනම් කරගත් ජාල පිළිබඳ ආනුභවික වාර්තාවක්: අන්තරායන් සහ බලාපොරොත්තු සුන්වීම්. Httpsw.org/abs/2205.1449 (2022) හි පෙර මුද්රණය ලබා ගත හැකිය.
Zhuang, p.-y. සහ බාබා, ලා පුරෝකථනය කිරීම සුළි සුළඟ මත භෞතිකව දැනුම් දුන් ස්නායුක ජාලයන්ගේ. Httpsw.org/abs/2306.00230 (2023) හි ඇති පූර්ව මුද්රණය.
වැන්ග්, එස්, යූ, එච්. සහ පර්ඩිකාරරිස්, පී. ජේ. පරිගණක. භෞතික විද්යාව. 449, 110768 (2022).
ක්රිෂ්ණප්රියාන්, ඒ., ගුලාලි, ඒ. ස්නායුක තොරතුරු සැකසුම් පද්ධති වෙළුම පිළිබඳ 35 වන සමුළුව වෙළුම. 34, 26548-26560 (නියුරියෝ 2021).
බබාර්, එස්. සහ සෙනොකාක්, I. භෞතික විද්යාව පදනම් කරගත් නෙට්වර්ඩ්ස් හි අසාර්ථක ක්රම පිළිබඳ තීරණාත්මක අධ්යයනයක්. Aiaa SciteCh 2022 සංසදය 2353 (නැව, 2022).
Karnakov P., Litvinov S. and Koumoutsakos P. Solving physical inverse problems by optimizing discrete losses: fast and accurate learning without neural networks. ක්රියාවලිය. ජාතික විද්යා ඇකඩමිය. විද්යාව. Nexus 3, pgae005 (2024).
ප්රජනනභාවයේ ගුන්ඩර්සන් OE මූලික මූලධර්ම. ෆිලික්රොස්. R. ෂුකර්. 379, 20200210 (2021).
ඇරෝමටාරිස් ඊ සහ පියර්සන් A. ක්රමානුකූල සමාලෝචන: දළ විශ්ලේෂණයක්. ඔව්. ජේ. හෙද 114, 53-58 (2014).
ම හග්ගෙරා, ජේ, රේ, ඩී., හෙෂ් අපේන්, ජේ, සහ රෝහ්, ජේ. ජේ. පරිගණක. භෞතික විද්යාව. 409, 109345 (2020).
ශාස්ත්රීය නොවන වෝල්ටීයතා කම්පනය සඳහා වන ෂ්මිඩ් එස්.ජේ. ජේ. පරිගණක. භෞතික විද්යාව. 437, 110324 (2021).