பலவீனமான அடிப்படைகள் மற்றும் அறிக்கையிடல் சார்பு திரவம் தொடர்பான பகுதி வேறுபாடு சமன்பாடுகளின் இயந்திர கற்றலில் அதிக நம்பிக்கைக்கு வழிவகுக்கிறது.

Nature.com ஐப் பார்வையிட்டதற்கு நன்றி. நீங்கள் பயன்படுத்தும் உலாவியின் பதிப்பில் வரையறுக்கப்பட்ட CSS ஆதரவு உள்ளது. சிறந்த முடிவுகளுக்கு, உங்கள் உலாவியின் புதிய பதிப்பைப் பயன்படுத்த பரிந்துரைக்கிறோம் (அல்லது இன்டர்நெட் எக்ஸ்ப்ளோரரில் பொருந்தக்கூடிய பயன்முறையை முடக்கு). இதற்கிடையில், தொடர்ச்சியான ஆதரவை உறுதிப்படுத்த, நாங்கள் ஸ்டைலிங் அல்லது ஜாவாஸ்கிரிப்ட் இல்லாமல் தளத்தைக் காண்பிக்கிறோம்.
கணக்கீட்டு இயற்பியலில் இயந்திர கற்றலின் மிகவும் நம்பிக்கைக்குரிய பயன்பாடுகளில் ஒன்று பகுதி வேறுபாடு சமன்பாடுகளின் (பி.டி.இ) விரைவான தீர்வாகும். இயந்திர கற்றல் அடிப்படையிலான பகுதி வேறுபாடு சமன்பாடு தீர்வின் முக்கிய குறிக்கோள், அடிப்படை ஒப்பீடாக செயல்பட நிலையான எண் முறைகளை விட வேகமாக துல்லியமான தீர்வுகளை உருவாக்குவதாகும். We first conduct a systematic review of the machine learning literature on solving partial differential equations. திரவ பகுதி வேறுபாடு சமன்பாடுகளைத் தீர்க்க எம்.எல் பயன்பாட்டைப் புகாரளிக்கும் அனைத்து ஆவணங்களிலும், நிலையான எண் முறைகளை விட மேன்மையைக் கோருவது, பலவீனமான அடிப்படைகளுடன் ஒப்பிடும்போது 79% (60/76) ஐ அடையாளம் கண்டோம். இரண்டாவதாக, பரவலான அறிக்கையிடல் சார்புக்கான ஆதாரங்களை நாங்கள் கண்டறிந்தோம், குறிப்பாக விளைவு அறிக்கை மற்றும் வெளியீட்டு சார்பு. 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.
முறையான மதிப்பாய்வால் உருவாக்கப்பட்ட ஆசிரியர்கள் மற்றும் கட்டுரைகளின் பட்டியல், அதே போல் சீரற்ற மாதிரியில் ஒவ்வொரு கட்டுரையின் வகைப்பாடும் பகிரங்கமாக https://doi.org/10.17605/osf.io/gq5b3 (ref. 124) இல் கிடைக்கிறது.
அட்டவணை 2 இல் முடிவுகளை இனப்பெருக்கம் செய்யத் தேவையான குறியீட்டை கிட்ஹப்பில் காணலாம்: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (ref. 125) மற்றும் குறியீடு பெருங்கடல்: https://codeocean.com/capsule/9605539/ மரம்/ வி 1 (இணைப்பு 126) மற்றும் https://codeocean.com/capsule/0799002/tree/v1 (இணைப்பு 127).
ராண்டால், டி., மற்றும் வெல்சர், கே.
ரிச்சி, எஸ். சயின்ஸ் ஃபிக்ஷன்: எப்படி மோசடி, சார்பு, ம silence னம் மற்றும் ஹைப் சத்தியத்திற்கான தேடலை குறைமதிப்பிற்கு உட்படுத்துகிறது (விண்டேஜ், 2020).
திறந்த அறிவியல் ஒத்துழைப்பு. உளவியல் அறிவியலில் இனப்பெருக்கத்தை மதிப்பிடுதல். அறிவியல் 349, AAAC4716 (2015).
பிரின்ஸ், எஃப்., ஸ்க்லாஞ்ச், டி., மற்றும் அசாதுல்லா, கே. நம்புவோமா இல்லையோ: சாத்தியமான மருந்து இலக்குகள் குறித்த வெளியிடப்பட்ட தரவை நாம் எவ்வளவு நம்பலாம்? நாட். ரெவ். “மருந்துகளின் கண்டுபிடிப்பு.” 10, 712 (2011).
பெக்லி, கே.ஜி மற்றும் எல்லிஸ், எல்.எம். முன்கூட்டிய புற்றுநோய் ஆராய்ச்சியில் தரங்களை உயர்த்துவது. இயற்கை 483, 531–533 (2012).
ஏ. கெல்மேன் மற்றும் ஈ. 348, 1–17 (புள்ளிவிவரத் துறை, 2013).
கராஜியோர்கி, ஜி., கசெக்கா, ஜி., கிராவிட்ஸ், எஸ்., நாச்மேன், பி., மற்றும் ஷி, டி. நாட். இயற்பியலில் தத்துவ மருத்துவர். 4, 399–412 (2022).
தாரா எஸ், டாமர்செர்லா எஸ், ஜாதவ் எஸ்.எஸ்., பாபு சி.எம் மற்றும் அஹ்சன் எம்.ஜே. மருந்து கண்டுபிடிப்பில் இயந்திர கற்றல்: ஒரு ஆய்வு. Atif. இன்டெல். எட். 55, 1947-1999 (2022).
மாதர், மற்றும் கூட், எம்.எல் வேதியியலில் ஆழமான கற்றல். ஜே. வேதியியல். அறிவிக்கவும். மாதிரி. 59, 2545-2559 (2019).
ராஜ்கோமர் ஏ., டீன் ஜே. மற்றும் கோஹன் I. மருத்துவத்தில் இயந்திர கற்றல். நியூ இங்கிலாந்து ஜர்னல் ஆஃப் மெடிசின். 380, 1347–1358 (2019).
கிரிம்மர் ஜே, ராபர்ட்ஸ் மீ. மற்றும் சமூக அறிவியலில் ஸ்டீவர்ட் பி.எம் இயந்திர கற்றல்: ஒரு அஞ்ஞான அணுகுமுறை. ரெவ் ஆன் பால். அறிவியல். 24, 395-419 (2021).
ஜம்ப், ஜே. மற்றும் பலர். ஆல்பாஃபோல்ட்டைப் பயன்படுத்தி மிகவும் துல்லியமான புரத அமைப்பு கணிப்புகளை உருவாக்குங்கள். இயற்கை 596, 583–589 (2021).
குண்டர்சன், ஓ, ஓ, கோக்லி, கே., கிர்க்பாட்ரிக், கே., மற்றும் கில், ஒய். Preprint https://arxiv.org/abs/2204.07610 (2022) இல் கிடைக்கிறது.
ஸ்கல்லி, டி., ஸ்னூக், ஜே., வில்ட்ஷ்கோ, ஏ., மற்றும் ரஹிமி, ஏ. வெற்றியாளரின் சாபம்? அனுபவ ஆதாரங்களின் வேகம், முன்னேற்றம் மற்றும் கடுமையில் (ஐ.சி.எல்.ஆர், 2018).
ஆம்ஸ்ட்ராங், டி.ஜி., மொஃபாட், ஏ., வெபர், டபிள்யூ.
கபூர், எஸ். மற்றும் நாராயணன், ஏ. இயந்திர கற்றல் அடிப்படையிலான அறிவியலில் கசிவு மற்றும் இனப்பெருக்க நெருக்கடிகள். வடிவங்கள், 4, 100804 (2023).
கபூர் எஸ். மற்றும் பலர். சீர்திருத்தம்: இயந்திர கற்றலின் அடிப்படையில் அறிவியல் அறிக்கையிடல் தரநிலைகள். Preprint https://arxiv.org/abs/2308.07832 (2023) இல் கிடைக்கிறது.
டெமாசி, ஓ., கார்டிங், சி., மற்றும் ரெக்ட், பி. அர்த்தமற்ற ஒப்பீடுகள் மருத்துவ இயந்திர கற்றலில் தவறான நம்பிக்கைக்கு வழிவகுக்கும். PLOS ONE 12, E0184604 (2017).
ராபர்ட்ஸ், எம்., மற்றும் பலர். மார்பு எக்ஸ்-கதிர்கள் மற்றும் கணக்கிடப்பட்ட டோமோகிராஃபி ஆகியவற்றிலிருந்து கோவ் -19 ஐக் கண்டறிந்து கணிக்க இயந்திர கற்றலைப் பயன்படுத்துவதற்கான பொதுவான ஆபத்துகள் மற்றும் சிறந்த நடைமுறைகள். நாட். அதிகபட்சம். இன்டெல். 3, 199-217 (2021).
வினாண்ட்ஸ் எல். மற்றும் பலர். கோவ் -19 இன் நோயறிதல் மற்றும் முன்கணிப்புக்கான முன்கணிப்பு மாதிரிகள்: ஒரு முறையான ஆய்வு மற்றும் விமர்சன மதிப்பீடு. பி.எம்.ஜே 369, எம் 1328 (2020).
வேலன் எஸ்., ஷ்ரைபர் ஜே., நோபல் டபிள்யூ.எஸ் மற்றும் பொல்லார்ட் கே.எஸ். நாட். பாஸ்டர் ஜினெட். 23, 169-181 (2022).
அட்ரிஸ் என். மற்றும் பலர். வேதியியலில் இயந்திர கற்றலுக்கான சிறந்த நடைமுறைகள். நாட். வேதியியல். 13, 505-508 (2021).
பகுதி வேறுபாடு சமன்பாடுகளின் இயந்திர கற்றலுக்கான ப்ரூண்டன் எஸ்.எல் மற்றும் குட்ஸ் ஜே.என். நாட். கணக்கிடுங்கள். அறிவியல். 4, 483-494 (2024).
வின்சா, ஆர். மற்றும் ப்ரூண்டன், எஸ்.எல் இயந்திர கற்றல் மூலம் கணக்கீட்டு திரவ இயக்கவியலை மேம்படுத்துதல். நாட். கணக்கிடுங்கள். அறிவியல். 2, 358–366 (2022).
கோமாவ், எஸ். மற்றும் பலர். உடல் ரீதியாக தகவலறிந்த நரம்பியல் நெட்வொர்க்குகளுடன் அறிவியல் இயந்திர கற்றல்: நாங்கள் இப்போது எங்கே இருக்கிறோம், அடுத்தது என்ன. ஜெ. அறிவியல். கணக்கிடுங்கள். 92, 88 (2022).
துரைசாமி, கே., யக்கரினோ, ஜி., மற்றும் சியாவோ, எச். தரவு சகாப்தத்தில் கொந்தளிப்பு மாடலிங். ஆன் திருத்தப்பட்ட பதிப்பு. 51, 357–377 (2019).
துர்ரன், புவி இயற்பியல் ஹைட்ரோடினமிக்ஸில் அலை சமன்பாடுகளைத் தீர்ப்பதற்கான டி.ஆர் எண் முறைகள், தொகுதி. 32 (ஸ்பிரிங்கர், 2013).
மிஸ்ரா, எஸ். வேறுபட்ட சமன்பாடுகளின் தரவு உந்துதல் கணக்கீட்டை விரைவுபடுத்துவதற்கான இயந்திர கற்றல் கட்டமைப்பு. கணிதம். பொறியாளர். https://doi.org/10.3934/mine.2018.1.118 (2018).
கொச்சிகோவ் டி. மற்றும் பலர். இயந்திர கற்றல் - கணக்கீட்டு திரவ இயக்கவியலின் முடுக்கம். செயல்முறை. தேசிய அறிவியல் அகாடமி. அறிவியல். அமெரிக்க 118, E2101784118 (2021).
கடபா, கே. கணினி அறிவியல் மற்றும் பொறியியலுக்கான இயந்திர கற்றல் - ஒரு சுருக்கமான அறிமுகம் மற்றும் சில முக்கிய சிக்கல்கள். Preprint https://arxiv.org/abs/2112.12054 (2021) இல் கிடைக்கிறது.
ரோஸ், ஏ., லி, இசட்., பெரெஸ்கோஜின், பி., பெர்னாண்டஸ்-கிராண்டா, சி., மற்றும் ஜன்னா, எல். ஜே.ஆட்வ். மாதிரி. பூமி அமைப்பு. 15. E2022MS003258 (2023).
லிப், பி., வீலிங், பி., பெர்டிகாரிஸ், பி., டர்னர், ஆர்., மற்றும் பிராண்ட்ஸ்டெட்டர், ஜே. பி.டி.இ சுத்திகரிப்பு: ஒரு நரம்பியல் பி.டி.இ. நரம்பியல் தகவல் செயலாக்க அமைப்புகள் குறித்த 37 வது மாநாடு (நியூரிப்ஸ் 2023).
ஃபிராச்சாஸ், பி.ஆர் மற்றும் பலர். சிக்கலான இடஞ்சார்ந்த இயக்கவியலைக் கணிப்பதற்கான தொடர்ச்சியான நரம்பியல் நெட்வொர்க்குகளில் பேக்ரோபாகேஷன் அல்காரிதம் மற்றும் நீர்த்தேக்க கணக்கீடு. நரம்பியல் நெட்வொர்க். 126, 191-217 (2020).
ராஸி, எம்., பெர்டிகாரிஸ், பி. ஜெ. கணினி. இயற்பியல். 378, 686-707 (2019).
கிராஸ்மேன், டி.ஜி., கோமோரோவ்ஸ்கா, யு.ஜே, லூட்ஸ், ஜே., மற்றும் ஷான்லீப், கே-பி. இயற்பியல் அடிப்படையிலான நரம்பியல் நெட்வொர்க்குகள் வரையறுக்கப்பட்ட உறுப்பு முறைகளை விஞ்ச முடியுமா? இமா ஜே. பயன்பாடுகள். கணிதம். 89, 143–174 (2024).
டி லா மாதா, எஃப்.எஃப், கிஜோன், ஏ., மோலினா-சோலானா, எம்., மற்றும் கோமேஸ்-ரோமெரோ, ஜே. இயற்பியல். ஒரு 610, 128415 (2023).
ஜுவாங், பி.ஒய். & பார்பா, LA திரவ மாடலிங் இல் இயற்பியல் அடிப்படையிலான நரம்பியல் நெட்வொர்க்குகள் பற்றிய அனுபவ அறிக்கை: ஆபத்துகள் மற்றும் ஏமாற்றங்கள். Preprint https://arxiv.org/abs/2205.14249 (2022) இல் கிடைக்கிறது.
ஜுவாங், பி.ஒய். மற்றும் பார்பா, LA சுழல் உருவாக்கம் குறித்த உடல் ரீதியாக தகவலறிந்த நரம்பியல் நெட்வொர்க்குகளின் முன்கணிப்பு வரம்புகள். Preprint https://arxiv.org/abs/2306.00230 (2023) இல் கிடைக்கிறது.
வாங், எஸ்., யூ, எச்., மற்றும் பெர்டிகாரிஸ், பி. ஜெ. கணினி. இயற்பியல். 449, 110768 (2022).
கிருஷ்ணப்ரியன், ஏ., கோலமி, ஏ., ஜீ, எஸ்., கிர்பி, ஆர்., மற்றும் மஹோனி, இயற்பியல் தகவல் நரம்பியல் நெட்வொர்க்குகளில் சாத்தியமான தோல்வி முறைகளின் எம் நரம்பியல் தகவல் செயலாக்க அமைப்புகள் பற்றிய 35 வது மாநாடு தொகுதி. 34, 26548–26560 (நியூரிப்ஸ் 2021).
பசிர், எஸ். மற்றும் செனோகக், ஐ. இயற்பியல் அடிப்படையிலான நரம்பியல் நெட்வொர்க்குகளில் தோல்வி முறைகள் பற்றிய ஒரு முக்கியமான ஆய்வு. AIAA SCITECH 2022 மன்றத்தில் 2353 (ARK, 2022).
கர்நாகோவ் பி., லிட்வினோவ் எஸ். மற்றும் க ou வ்ஸாகோஸ் பி. தனித்துவமான இழப்புகளை மேம்படுத்துவதன் மூலம் உடல் தலைகீழ் சிக்கல்களைத் தீர்ப்பது: நரம்பியல் நெட்வொர்க்குகள் இல்லாமல் வேகமான மற்றும் துல்லியமான கற்றல். செயல்முறை. தேசிய அறிவியல் அகாடமி. அறிவியல். நெக்ஸஸ் 3, PGAE005 (2024).
குண்டர்சன் OE இனப்பெருக்கத்தின் அடிப்படைக் கொள்கைகள். Phil.cross. ஆர். ஷுக்கர். ஒரு 379, 20200210 (2021).
அரோமடாரிஸ் இ மற்றும் பியர்சன் ஏ. முறையான மதிப்புரைகள்: ஒரு கண்ணோட்டம். ஆம். ஜே. நர்சிங் 114, 53–58 (2014).
மாகீரா, ஜே., ரே, டி., ஹெண்டேவன், ஜே.எஸ்., மற்றும் ரோட், கே. ஜெ. கணினி. இயற்பியல். 409, 109345 (2020).
பெஸ்கின் டி.ஏ. ஜெ. கணினி. இயற்பியல். 437, 110324 (2021).