Хвала вам на посети натуре.цом. Верзија претраживача користите има ограничена ЦСС подршка. За најбоље резултате, препоручујемо да користите новију верзију прегледача (или онемогућите режим компатибилности у програму Интернет Екплорер). У међувремену, како би се осигурала стална подршка, приказујемо веб локацију без стила или ЈаваСцрипт-а.
Једна од најперспективнијих апликација машинског учења у рачунарској физици је убрзано раствор делимичних диференцијалних једначина (ПДЕ). Главни циљ машинске делимичне диференцијалне једначине у учењу је да се производи решења која су довољно тачна бржа од стандардних нумеричких метода које служе као основна поређење. Прво спроводимо систематски преглед литературе за учење машине на решавању делимичних диференцијалних једначина. Од свих радова који извештавају о употреби мл за решавање течности делимичних диференцијалних једначина и захтевање супериорности у стандардним нумеричким методама, идентификовали смо 79% (60/76) у односу на слабе основне линије. Друго, нашли смо доказе о широкој пристрасности извештавања, посебно у пристраности извјештавања и објављивања резултата. Закључујемо да је истраживање учења машине за решавање парцијалних диференцијалних једначина претерано оптимистично: слаби улазни подаци могу довести до претерано позитивних резултата, а пристраност за пријаву може довести до непостојања негативних резултата. У великој мери, ови проблеми чине да су проузроковани факторима сличним прошлим кризама репродуктибилности: дискреција истражитеља и позитивна пристраност исхода. Позивамо културне промене одоздо према умањивању пристрасног извештавања и структурне реформе одобрења за смањење перверзних подстицаја за то.
Листа аутора и чланака произведених систематским прегледом, као и класификација сваког члана у случајном узорку, јавно је доступна на хттпс: //дои.орг/10.17605/ОСФ.ИО/ГК5Б3 (реф. 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/ Дрво / В1 (Линк 126) и хттпс: //цодеоцеан.цом/цапсуле/0799002/трее/в1 (Линк 127).
Рандалл, Д. и Велсер, К., криза ирапроизводивост у савременој науци: узроци, последице и путеве за реформу (Национално удружење научника, 2018.).
Ритцхие, С. Сциенце Фантастика: Како превара, пристрасност, тишина и хипе подрива потрагу за истином (Винтаге, 2020).
Отворите научну сарадњу. Процена репродуктивности у психолошкој науци. Наука 349, АААЦ4716 (2015).
Принз, Ф., Сцхланге, Т. и Асадуллах, К. Вјеровали у то или не: Колико се можемо ослонити на објављене податке о потенцијалним циљевима лекова? Нат. Рев. "Откриће дроге". 10, 712 (2011).
Беглеи, КГ и Еллис, ЛМ прикупљају стандарде у прецикличким истраживањима рака. Натуре 483, 531-533 (2012).
СВЕДОК ШЕШЕЉ - ОДГОВОР: Гелман и Е. Локен, башта вилице стазе: Зашто су вишеструки поређења проблем чак и без "риболовних експедиција" или "П-хацкс" и преформисаним истраживачким хипотезама, вол. 348, 1–17 (Department of Statistics, 2013).
Карагиорги, Г., Касецка, Г., Кравитз, С., Нацхман, Б. и Схи, Д. Учење машине у потрази за новом основном физиком. Нат. Доктор филозофије у физици. 4, 399-412 (2022).
Дара С, Дамерцхерла С, Јадхав СС, Бабу ЦМ и Ахсан МЈ. Машинско учење у откривању дрога: Преглед. Атиф. Интел. Ed. 55, 1947-1999 (2022).
Матхер, као и кооте, мл дубоко учење у хемији. Ј.Хемија. Обавестите. Модел. 59, 2545-2559 (2019).
Рајкомар А., Деан Ј. И Кохан И. Учење машине у медицини. Нова Енглеска Медицински часопис. 380, 1347-1358 (2019).
Гриммер Ј, Робертс ме. и Стеварт БМ машинско учење у друштвеним наукама: агностички приступ. Rev. Ann Ball. science. 24, 395–419 (2021).
Јумп, Ј. Ет ал. Направите високо прецизно предвиђање структуре протеина користећи алпхафалд. Природа 596, 583-589 (2021).
Гундерсен, ОЕ, Цоаклеи, К., Киркпатрицк, К. и Гил, И. Извори ирипроудибилности у машинском учењу: преглед. Препринт је доступан на хттпс: //аркив.орг/абс/2204.07610 (2022).
Сцулли, Д., Сноок, Ј., Вилтсцхко, А. и Рахими, А. Побједник проклетство? О брзини, напретку и строгости емпиријских доказа (ИЦЛР, 2018).
Армстронг, ТГ, Моффат, А., Веббер, В. и Зобел, Ј. Не-адитиве побољшања: Прелиминарне резултате претраживања од 1998. године. 18. АЦМ конференција о управљању информацијама и знањем 601-610 (АЦМ 2009).
КАПООР, С. и НАРАИАНАН, А. Цризе за цурење и обновљивост у науци заснованом на машини. Обрасци, 4, 100804 (2023).
Капоор С. ет ал. Реформа: Стандарди научних извештавања на основу учења машине. Препринт је доступан на хттпс: //аркив.орг/абс/2308.07832 (2023).
Демаси, О., Цондинг, Ц. и Рецхт, Б. Бесмислене поређења могу довести до лажног оптимизма у медицинском учењу машине. Пло је један 12, Е0184604 (2017).
Робертс, М., ет ал. Заједничке замке и најбоље праксе за коришћење машина за учење машине за откривање и предвиђање савидних косветних рендгенских зрака и рачунарске томографије. Нат. Макс. Интел. 3, 199-217 (2021).
Винантз Л. ет ал. Предиктивни модели за дијагнозу и прогнозу ЦовИД-19: систематски преглед и критична оцена. БМЈ 369, М1328 (2020).
Вхален С., Сцхреибер Ј., Нобле ВС и Поллард КС Превладавање замке употребе машинског учења у геномици. Нат. Пастор Гинетте. 23, 169-181 (2022).
Atris N. et al. Најбоље праксе за учење машине у хемији. Нат. Хемијска. 13, 505-508 (2021).
Брунтон СЛ и Кутз ЈН који обећавају упутства за учење машина делимичних диференцијалних једначина. Нат. Израчунајте. Наука. 4, 483-494 (2024).
Винуеса, Р. и Брунтон, СЛ Побољшање динамике рачунарске течности кроз учење машине. Нат. Израчунајте. Наука. 2, 358-366 (2022).
Цомеау, С. и др. Научна машина учење са физички информисаним неуронским мрежама: где смо сада и шта је следеће. Ј. Наука. Израчунајте. 92, 88 (2022).
Дураисами, К., Иаццарино, Г. и Ксиао, Х. Малоничење турбуленција у доба података. Ревидирано издање Анн. 51, 357-377 (2019).
ДРАРАН, ДР Нумерички методи за решавање таласних једначина у геофизичкој хидродимици, вол. 32 (Спрингер, 2013).
Мисхра, С. Оквир учења машине за убрзање рачунање диференцијалних једначина који се подлива података. Математика. Инжењер. хттпс: //дои.орг/10.3934/ мине.2018.1.118 (2018).
Коцхиков Д. и др. Машинско учење - убрзање рачунарске динамике течности. Процес. Национална академија наука. Наука. УС 118, Е2101784118 (2021).
Кадапа, К. Машинско учење за рачунарске науке и инжењеринг - кратак увод и нека кључна питања. Препринт је доступан на хттпс: //аркив.орг/абс/2112.12054 (2021).
Росс, А., ЛИ, З., Перезхогин, П., Фернандез-Гранда, Ц. и Занна, Л. Упоредна анализа машинског учења океане за учење субгридизације у идеализованим моделима. Ј.адв. Модел. Земаљски систем. 15. Е2022МС003258 (2023).
Липпе, П., Виелинг, Б., Пердикарис, П., Турнер, Р. и Брандстерттер, Ј. ПДЕ усавршавање: Постизање тачних дугих екструзија са неуралним ПДЕ Солвер-ом. 37. Конференција о системима за обраду неуронских информација (Неурипс 2023).
ФРАЦХАС, ПР ЕТ АЛ. АЛГОРИТОМ БАЦКПРОПАГАЦИЈЕ И ПРОМЕЊИВАЊЕ РЕКЕРОИР-а у понављајућим неуронским мрежама за предвиђање сложене сложене привремене динамике. Неурална мрежа. 126, 191-217 (2020).
Раисси, М., Пердикарис, П. и Карниадакис, ГЕ Физика, Компјутерска наука, неуронске мреже: дубоки оквир учења за решавање напред и обрнути проблеми који укључују нелинеарне делимичне диференцијалне једначине. Ј. Компјутер. Физика. 378, 686-707 (2019).
Гроссманн, ТГ, Коморовска, Уј, Лутз, Ј. И Сцхонлиеб, К.-Б. Да ли неуронске мреже засноване на физике могу надмашити методе коначних елемената? Има Ј. Апликације. Математика. 89, 143-174 (2024).
Де ла Мата, ФФ, Гијон, А., Молина-Солана, М. и Гомез-Ромеро, Ј. Неуронске мреже засноване на физици за моделирање погонских података: предности, ограничења и могућности. Физика. А 610, 128415 (2023).
Зхуанг, П.-и. & Барба, Ла Емпирични извештај о неуронским мрежама заснованим на физици у моделирању течности: замке и разочарења. Препринт је доступан на хттпс: //аркив.орг/абс/2205.14249 (2022).
Зхуанг, П.-и. и Барба, ЛА Предиктивни ограничења физички информисаних неуронских мрежа на вртложном формирању. Препринт је доступан на хттпс: //аркив.орг/абс/2306.00230 (2023).
Wang, S., Yu, H., and Perdikaris, P. When and why pinns fail to train: A neural tangent nucleus perspective. Ј. Компјутер. physics. 449, 110768 (2022).
Крисхнаприиан, А., Гхоломи, А., Зхе, С., Кирби, Р. и Махонеи, МВ Карактеристике могућих режима квара у физичким информационим неуронским мрежама. 35. Конференција о системима за обраду неуронских информација Вол. 34, 26548-26560 (Неурипс 2021).
Басир, С. и Сеночак, И. Критична студија модуса неуспеха у неуронским мрежама на основу физике. У форуму АИАА Сцитецх 2022 (АРК, 2022).
Карнаков П., Литвинов С. и КоумОутсакос П. Решавање физичких инверзних проблема оптимизирањем дискретних губитака: брзо и тачно учење без неуронских мрежа. Процес. Национална академија наука. Наука. Некус 3, ПГАЕ005 (2024).
Гендерсен ОЕ основни принципи репродуктивности. Пхил.Цросс. Р. Схукер. А 379, 20200210 (2021).
АроМатарис Е и Пеарсон А. Систематске критике: Преглед. Да. Ј. Нурсинг 114, 53-58 (2014).
Безгин Да, Сцхмидт СЈ и Адамс на податке који је погоњен подацима физички информисано коначни круг запремине за не-класичне удаљене удаљености напона. Ј. Компјутер. Физика. 437, 110324 (2021).
Вријеме поште: сеп-29-2024