Nature.com'u ziyaret ettiğiniz için teşekkür ederiz. Kullandığınız tarayıcı sürümünde sınırlı CSS desteği vardır. En iyi sonuçlar için, tarayıcınızın daha yeni bir sürümünü kullanmanızı öneririz (veya Internet Explorer'da uyumluluk modunu devre dışı bırakın). Bu arada, sürekli destek sağlamak için siteyi stil veya JavaScript olmadan gösteriyoruz.
Sistematik inceleme tarafından üretilen yazarların ve makalelerin listesi ve her bir makalenin rastgele örneklemdeki sınıflandırılması, https://doi.org/10.17605/osf.io/gq5b3 (ref. 124) adresinde halka açıktır.
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/ Ağaç/ v1 (bağlantı 126) ve https://codeocean.com/capsule/0799002/tree/v1 (Link 127).
Ritchie, S. Bilim Kurgu: Dolandırıcılık, önyargı, sessizlik ve hype gerçeği arayışını nasıl zayıflatır (Vintage, 2020).
Açık bilimsel işbirliği. Psikolojik bilimde tekrarlanabilirliğin değerlendirilmesi. Bilim 349, AAAC4716 (2015).
Prinz, F., Schlange, T. ve Asadullah, K. İster inanın ister inanmayın: Potansiyel ilaç hedefleri hakkında yayınlanmış verilere ne kadar güvenebiliriz? Nat. Rev. “The Discovery of Drugs.” 10, 712 (2011).
Begley, KG ve Ellis, LM klinik öncesi kanser araştırmalarında standartlar yükseltiyor. Nature 483, 531-533 (2012).
A. Gelman ve E. Loken, Forking Yolları Bahçesi: “Balıkçılık Keşifleri” veya “P-Hacks” ve önceden oluşturulmuş araştırma hipotezleri olmadan bile çoklu karşılaştırmalar bir sorundur, Cilt. 348, 1–17 (Department of Statistics, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., and Shi, D. Machine learning in search of new fundamental physics. Nat. Fizikte Felsefe Doktoru. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM and Ahsan MJ. Machine learning in drug discovery: a review. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS and Coote, ML Deep learning in chemistry. J.Chemistry. notify. Model. 59, 2545–2559 (2019).
Grimmer J, Roberts ME. ve Sosyal Bilimlerde Stewart BM Makine Öğrenimi: Agnostik Bir Yaklaşım. Rev. Ann Ball. bilim. 24, 395–419 (2021).
Jump, J. ve ark. Alphafold kullanarak son derece doğru protein yapısı tahminleri yapın. Nature 596, 583-589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. ve Gil, Y. Makine öğreniminde yeniden üretilemezlik kaynakları: bir inceleme. Https://arxiv.org/abs/2204.07610 (2022) adresinde bulunabilir.
Armstrong, TG, Moffat, A., Webber, W. ve Zobel, J. Katılımcı olmayan geliştirmeler: 1998'den beri ön arama sonuçları. 18. Bilgi ve Bilgi Yönetimi Konferansı 601-610 (ACM 2009).
Kapoor, S. ve Narayanan, A. Makine öğrenimi tabanlı bilimde sızıntı ve tekrarlanabilirlik krizleri. Desenler, 4, 100804 (2023).
Kapoor S. ve ark. Reform: Makine öğrenmesine dayalı bilimsel raporlama standartları. Preprint available at https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., and Recht, B. Meaningless comparisons can lead to false optimism in medical machine learning. PLOS One 12, E0184604 (2017).
Roberts, M., vd. Göğüs röntgeni ve bilgisayarlı tomografiden COVID-19'u tespit etmek ve tahmin etmek için makine öğrenimi kullanmak için yaygın tuzaklar ve en iyi uygulamalar. Nat. Maks. Intel. 3, 199–217 (2021).
Whalen S., Schreiber J., Noble WS ve Pollard KS, genomikte makine öğreniminin kullanılmasının tuzaklarını aşıyor. Nat. Papaz Ginette. 23, 169-181 (2022).
Atris N. et al. Best practices for machine learning in chemistry. Nat. Kimyasal. 13, 505–508 (2021).
Brunton SL ve Kutz JN kısmi diferansiyel denklemlerin makine öğrenimi için umut verici talimatlar. Nat. hesaplamak. bilim. 4, 483-494 (2024).
Vinuesa, R. ve Brunton, SL makine öğrenimi yoluyla hesaplamalı akışkan dinamiklerini iyileştirme. Nat. hesaplamak. bilim. 2, 358-366 (2022).
Comeau, S. ve ark. Fiziksel olarak bilgilendirilmiş sinir ağları ile bilimsel makine öğrenimi: Şimdi neredeyiz ve sırada ne var. J. Science. hesaplamak. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. ve Xiao, H. Veri döneminde türbülans modellemesi. Ann'in revize edilmiş baskısı. 51, 357-377 (2019).
Durran, Dr Geofizik Hidrodinamik'te Dalga Denklemlerini Çözmek İçin Sayısal Yöntemler, Cilt. 32 (Springer, 2013).
Mishra, S. A machine learning framework for accelerating data-driven computation of differential equations. matematik. mühendis. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Machine learning – acceleration of computational fluid dynamics. işlem. National Academy of Sciences. bilim. US 118, e2101784118 (2021).
Kadapa, K. Bilgisayar Bilimi ve Mühendisliği için Makine Öğrenimi - Kısa bir giriş ve bazı önemli konular. Https://arxiv.org/abs/2112.12054 (2021) adresinde bulunabilir.
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. ve Zanna, L. J.Adv. Model. Dünya Sistemi. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., and Brandstetter, J. PDE refinement: achieving accurate long extrusions with a neural PDE solver. 37. Nöral Bilgi İşleme Sistemleri Konferansı (Neurips 2023).
Raissi, M., Perdikaris, P. ve Karniadaakis, GE Fizik, Bilgisayar Bilimi, Sinir Ağları: Doğrusal olmayan kısmi diferansiyel denklemleri içeren ileri ve ters problemleri çözmek için derin bir öğrenme çerçevesi. J. Computer. fizik. 378, 686-707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., and Schönlieb, K.-B. Can physics-based neural networks outperform finite element methods? IMA J. Applications. matematik. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., and Gómez-Romero, J. Physics-based neural networks for data-driven modeling: advantages, limitations, and opportunities. fizik. 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Sıvı modellemede fizik tabanlı sinir ağları hakkında ampirik bir rapor: tuzaklar ve hayal kırıklıkları. Preprint available at https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. ve Barba, LA Vorteks Formasyonu konusunda fiziksel olarak bilgilendirilmiş sinir ağlarının öngörücü sınırlamaları. Https://arxiv.org/abs/2306.00230 (2023) adresinde bulunabilir.
Wang, S., Yu, H., and Perdikaris, P. When and why pinns fail to train: A neural tangent nucleus perspective. J. Computer. fizik. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. ve Mahoney, Fiziksel Bilgi Nöral Ağlarında Olası Başarısızlık Modlarının MW özellikleri. 35. Nöral Bilgi İşleme Sistemleri Konferansı Vol. 34, 26548-26560 (Neurips 2021).
Basir, S. ve Senokak, I. Fizik tabanlı sinir ağlarında başarısızlık modlarının eleştirel bir çalışması. AIAA Scitech 2022 Forumu 2353'te (Ark, 2022).
Karnakov P., Litvinov S. and Koumoutsakos P. Solving physical inverse problems by optimizing discrete losses: fast and accurate learning without neural networks. işlem. National Academy of Sciences. Bilim. Nexus 3, pgae005 (2024).
Gundersen OE Temel Tekrarlanabilirlik İlkeleri. Phil.Cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E ve Pearson A. Sistematik İncelemeler: Genel Bakış. Evet. J. Hemşirelik 114, 53-58 (2014).
Magiera, J., Ray, D., Hesthaven, JS ve Rohde, K. Riemann sorunu için kısıtlamaya duyarlı sinir ağları. J. Computer. fizik. 409, 109345 (2020).
Bezgin DA, Schmidt SJ ve Adams NA, klasik olmayan azaltılmış voltaj şokları için veriye dayalı fiziksel olarak bilgilendirilmiş sonlu hacim devresi. J. Bilgisayar. fizik. 437, 110324 (2021).
Post süresi: 29 Eylül-2024