کمزور بیس لائنز اور رپورٹنگ تعصب سیال سے متعلق جزوی تفریق مساوات کی مشین سیکھنے میں زیادہ سے زیادہ بہتریت کا باعث بنتا ہے۔

فطرت ڈاٹ کام دیکھنے کے لئے آپ کا شکریہ۔ آپ براؤزر کے ورژن کا استعمال کر رہے ہیں جس میں سی ایس ایس کی محدود سپورٹ ہے۔ For best results, we recommend that you use a newer version of your browser (or disable Compatibility Mode in Internet Explorer). اس دوران ، جاری حمایت کو یقینی بنانے کے ل we ، ہم بغیر اسٹائل یا جاوا اسکرپٹ کے سائٹ کو دکھا رہے ہیں۔
کمپیوٹیشنل فزکس میں مشین لرننگ کی سب سے زیادہ امید افزا ایپلی کیشنز میں سے ایک جزوی تفریق مساوات (PDEs) کا تیز حل ہے۔ مشین لرننگ پر مبنی جزوی تفریق مساوات حل کرنے والا کا بنیادی ہدف یہ ہے کہ وہ ایسے حل تیار کریں جو معیاری عددی طریقوں سے کہیں زیادہ تیز رفتار ہیں جو بیس لائن موازنہ کے طور پر کام کرنے کے ل. ہیں۔ ہم سب سے پہلے جزوی تفریق مساوات کو حل کرنے کے بارے میں مشین لرننگ لٹریچر کا منظم جائزہ لیتے ہیں۔ سیال جزوی تفریق مساوات کو حل کرنے کے لئے ایم ایل کے استعمال کی اطلاع دینے اور معیاری عددی طریقوں سے زیادہ برتری کا دعوی کرنے والے تمام کاغذات میں سے ، ہم نے کمزور بیس لائنوں کے مقابلے میں 79 ٪ (60/76) کی نشاندہی کی۔ دوسرا ، ہمیں وسیع پیمانے پر رپورٹنگ تعصب کا ثبوت ملا ، خاص طور پر نتائج کی اطلاع دہندگی اور اشاعت کے تعصب میں۔ ہم یہ نتیجہ اخذ کرتے ہیں کہ جزوی تفریق مساوات کو حل کرنے کے بارے میں مشین لرننگ ریسرچ حد سے زیادہ پر امید ہے: کمزور ان پٹ ڈیٹا حد سے زیادہ مثبت نتائج کا باعث بن سکتا ہے ، اور تعصب کی اطلاع دہندگی سے منفی نتائج کی کمی کا سبب بن سکتا ہے۔ بڑے حصے میں ، یہ مسائل ماضی کے تولیدی بحرانوں کی طرح عوامل کی وجہ سے ظاہر ہوتے ہیں: تفتیش کار کی صوابدید اور مثبت نتائج کا تعصب۔ ہم متعصب رپورٹنگ اور ٹاپ ڈاون ساختی اصلاحات کو کم سے کم کرنے کے لئے نیچے کی ثقافتی تبدیلی کا مطالبہ کرتے ہیں تاکہ ایسا کرنے کے لئے ٹیڑھی مراعات کو کم کیا جاسکے۔
منظم جائزے کے ذریعہ تیار کردہ مصنفین اور مضامین کی فہرست ، نیز بے ترتیب نمونے میں ہر مضمون کی درجہ بندی ، https://doi.org/10.17605/osf.io/gq5b3 (ریفریٹ 124) پر عوامی طور پر دستیاب ہے۔
ٹیبل 2 میں نتائج کو دوبارہ پیش کرنے کے لئے درکار کوڈ گیتھب پر پایا جاسکتا ہے: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (ریفری. 125) اور کوڈ اوقیانوس پر: https://codeocean.com/capsule/9605539/ درخت/ V1 (لنک 126) اور https://codeocean.com/capsule/0799002/tree/v1 (لنک 127)۔
رینڈل ، ڈی ، اور ویلسر ، کے ، جدید سائنس میں ناقابل تسخیر بحران: اصلاحات کے لئے وجوہات ، نتائج ، اور راستے (نیشنل ایسوسی ایشن آف سائنسدانوں ، 2018)۔
رچی ، ایس سائنس فکشن: کس طرح دھوکہ دہی ، تعصب ، خاموشی ، اور ہائپ سچائی کی تلاش کو نقصان پہنچاتے ہیں (ونٹیج ، 2020)۔
کھلی سائنسی تعاون۔ نفسیاتی سائنس میں تولیدی صلاحیت کا اندازہ لگانا۔ سائنس 349 ، AAAC4716 (2015)۔
پرنز ، ایف ، شلانج ، ٹی ، اور اسد اللہ ، کے. اس پر یقین کریں یا نہیں: ہم منشیات کے ممکنہ اہداف کے بارے میں شائع شدہ اعداد و شمار پر کتنا انحصار کرسکتے ہیں؟ نیٹ۔ ریو. "منشیات کی دریافت۔" 10 ، 712 (2011)
بیگلی ، کے جی اور ایلس ، ایل ایم نے کلینیکل کینسر کی تحقیق میں معیار بڑھایا۔ فطرت 483 ، 531–533 (2012)۔
اے گیلمین اور ای لوکن ، گارڈن آف فورکنگ راہیں: کیوں "ماہی گیری کی مہم" یا "پی ہیک" اور پیش کردہ تحقیقی مفروضے ، جلد ، "کے بغیر متعدد موازنہ کیوں ایک مسئلہ ہے۔ 348 ، 1–17 (محکمہ شماریات ، 2013)۔

دارا ایس ، ڈیمرچلا ایس ، جادھاو ایس ایس ، بابو سی ایم اور احسن ایم جے۔ منشیات کی دریافت میں مشین لرننگ: ایک جائزہ۔ atif. انٹیل۔ ایڈ 55 ، 1947–1999 (2022)۔
میتھر ، AS اور کوٹ ، کیمسٹری میں ایم ایل ڈیپ لرننگ۔ جے کیمسٹری۔ مطلع کریں۔ ماڈل۔ 59 ، 2545–2559 (2019)۔
راجکومر اے ، ڈین جے اور کوہن I. میڈیسن میں مشین لرننگ۔ نیو انگلینڈ جرنل آف میڈیسن۔ 380 ، 1347–1358 (2019)۔
گریمر جے ، رابرٹس می۔ اور سماجی علوم میں اسٹیورٹ بی ایم مشین لرننگ: ایک انجنوسٹک نقطہ نظر۔ ریو این بال۔ سائنس۔ 24 ، 395–419 (2021)۔
چھلانگ ، جے۔ وغیرہ۔ الفا فولڈ کا استعمال کرتے ہوئے انتہائی درست پروٹین ڈھانچے کی پیش گوئیاں بنائیں۔ فطرت 596 ، 583–589 (2021)۔
گونسن ، او ای ، کوکلی ، کے ، کرک پیٹرک ، کے ، اور گل ، وائی ، مشین لرننگ میں ناقابل تسخیر کے ذرائع: ایک جائزہ۔ https://arxiv.org/abs/2204.07610 (2022) پر پری پرنٹ دستیاب ہے۔
سکلی ، ڈی ، اسنوک ، جے ، ولٹسکو ، اے ، اور رحیمی ، اے فاتح کی لعنت؟ رفتار ، پیشرفت اور تجرباتی ثبوتوں کی سختی (آئی سی ایل آر ، 2018) پر۔
آرمسٹرونگ ، ٹی جی ، موفاٹ ، اے ، ویبر ، ڈبلیو ، اور زوبل ، جے۔ غیر ایڈیٹیو اضافہ: 1998 کے بعد سے ابتدائی تلاش کے نتائج۔ معلومات اور علم کے انتظام سے متعلق 18 ویں اے سی ایم کانفرنس 601–610 (اے سی ایم 2009)۔
کپور ، ایس اور نارائنن ، اے مشین لرننگ پر مبنی سائنس میں رساو اور تولیدی صلاحیت کے بحران۔ پیٹرن ، 4 ، 100804 (2023)۔
کپور ایس وغیرہ۔ اصلاحات: مشین لرننگ پر مبنی سائنسی رپورٹنگ کے معیارات۔ https://arxiv.org/abs/2308.07832 (2023) پر پری پرنٹ دستیاب ہے۔
ڈیماسی ، او ، کارڈنگ ، سی ، اور ریچٹ ، بی۔ بے معنی موازنہ میڈیکل مشین سیکھنے میں غلط امید پرستی کا باعث بن سکتا ہے۔ PLOS ون 12 ، E0184604 (2017)۔
رابرٹس ، ایم ، وغیرہ۔ سینے کے ایکس رے اور کمپیوٹڈ ٹوموگرافی سے کوویڈ 19 کا پتہ لگانے اور پیش گوئی کرنے کے لئے مشین لرننگ کے استعمال کے لئے مشترکہ خرابیاں اور بہترین طریق کار۔ نیٹ۔ زیادہ سے زیادہ انٹیل۔ 3 ، 199–217 (2021)۔
وینٹز ایل۔ کوویڈ 19 کی تشخیص اور تشخیص کے لئے پیش گوئی کرنے والے ماڈل: ایک منظم جائزہ اور تنقیدی تشخیص۔ BMJ 369 ، M1328 (2020)۔
وہیلن ایس ، شریبر جے ، نوبل ڈبلیو ایس اور پولارڈ کے ایس جینومکس میں مشین لرننگ کے استعمال کے نقصانات پر قابو پاتے ہیں۔ نیٹ۔ پادری جینیٹ۔ 23 ، 169–181 (2022)۔
atris N. ET رحمہ اللہ تعالی. کیمسٹری میں مشین لرننگ کے لئے بہترین عمل۔ نیٹ۔ کیمیائی۔ 13 ، 505–508 (2021)۔
برنٹن ایس ایل اور کوٹز جن جزوی تفریق مساوات کی مشین لرننگ کے لئے ہدایات کا وعدہ کرتے ہیں۔ نیٹ۔ حساب کتاب. سائنس۔ 4 ، 483–494 (2024)۔
ونوسا ، آر اور برنٹن ، ایس ایل مشین لرننگ کے ذریعہ کمپیوٹیشنل سیال کی حرکیات کو بہتر بنا رہا ہے۔ نیٹ۔ حساب کتاب. سائنس۔ 2 ، 358–366 (2022)۔
کامیو ، ایس وغیرہ۔ جسمانی طور پر باخبر اعصابی نیٹ ورکس کے ساتھ سائنسی مشین لرننگ: اب ہم کہاں ہیں اور آگے کیا ہے۔ J. Science. calculate. 92, 88 (2022).
ڈیٹا ایرا میں ڈوریسمی ، کے ، یاکارینو ، جی ، اور ژاؤ ، ایچ ہنگامہ آرائی ماڈلنگ۔ این کا نظر ثانی شدہ ایڈیشن۔ 51 ، 357–377 (2019)۔
جیو فزیکل ہائیڈروڈینیامکس میں لہر مساوات کو حل کرنے کے لئے دران ، ڈی آر عددی طریقے ، جلد .۔ 32 (اسپرنگر ، 2013)
مشرا ، ایس۔ تفریق مساوات کے ڈیٹا سے چلنے والی گنتی کو تیز کرنے کے لئے ایک مشین لرننگ فریم ورک۔ ریاضی انجینئر https://doi.org/10.3934/mine.2018.1.118 (2018)۔
کوچیکوف ڈی وغیرہ۔ مشین لرننگ - کمپیوٹیشنل سیال کی حرکیات کا ایکسلریشن۔ عمل. نیشنل اکیڈمی آف سائنسز۔ سائنس۔ امریکی 118 ، E2101784118 (2021)۔
کڈاپا ، کے. کمپیوٹر سائنس اور انجینئرنگ کے لئے مشین لرننگ - ایک مختصر تعارف اور کچھ اہم مسائل۔ https://arxiv.org/abs/2112.12054 (2021) پر پری پرنٹ دستیاب ہے۔
راس ، اے ، لی ، زیڈ ، پیریزوگین ، پی ، فرنینڈیز دادا ، سی ، اور زنا ، ایل۔ ​​مثالی ماڈلز میں مشین لرننگ اوقیانوس سبگریڈ پیرامیٹرائزیشن کا تقابلی تجزیہ۔ J.Adv. Model. earth system. 15. e2022MS003258 (2023).
لیپی ، پی۔ اعصابی انفارمیشن پروسیسنگ سسٹم پر 37 ویں کانفرنس (نیورپس 2023)۔
فریچاس ، PR ET رحمہ اللہ تعالی. پیچیدہ اسپیٹیٹیمپورل حرکیات کی پیش گوئی کرنے کے لئے بار بار اعصابی نیٹ ورکس میں بیک پروپیگیشن الگورتھم اور ذخائر کا حساب کتاب۔ اعصابی نیٹ ورک۔ 126 ، 191–217 (2020)۔
روسی ، ایم ، پرڈیکاریس ، پی اور کارنیاڈاکس ، جی ای فزکس ، کمپیوٹر سائنس ، اعصابی نیٹ ورکس: غیر خطی جزوی تفریق مساوات میں شامل فارورڈ اور الٹا مسائل کو حل کرنے کے لئے ایک گہری سیکھنے کا فریم ورک۔ جے کمپیوٹر۔ طبیعیات 378 ، 686–707 (2019)۔
گراس مین ، ٹی جی ، کوموروسکا ، یو جے ، لوٹز ، جے ، اور سکنلیب ، کے بی۔ کیا طبیعیات پر مبنی عصبی نیٹ ورک محدود عنصر کے طریقوں کو بہتر بنا سکتے ہیں؟ IMA J. درخواستیں۔ ریاضی 89 ، 143–174 (2024)۔
ڈی لا ماتا ، ایف ایف ، جیجن ، اے ، مولینا سولانا ، ایم ، اور گیمز رومرو ، جے فزکس پر مبنی اعصابی نیٹ ورک برائے ڈیٹا سے چلنے والی ماڈلنگ کے لئے: فوائد ، حدود اور مواقع۔ طبیعیات A 610 ، 128415 (2023)۔
ژوانگ ، پی۔ وائی۔ & باربا ، ایل اے فلوڈ ماڈلنگ میں طبیعیات پر مبنی عصبی نیٹ ورکس کے بارے میں ایک تجرباتی رپورٹ: خرابیاں اور مایوسی۔ https://arxiv.org/abs/2205.14249 (2022) پر پری پرنٹ دستیاب ہے۔
ژوانگ ، پی۔ وائی۔ اور باربا ، لاء فارمیشن پر جسمانی طور پر باخبر اعصابی نیٹ ورکس کی ایل اے کی پیش گوئی کی حدود۔ https://arxiv.org/abs/2306.00230 (2023) پر پری پرنٹ دستیاب ہے۔
وانگ ، ایس ، یو ، ایچ۔ جے کمپیوٹر۔ طبیعیات 449 ، 110768 (2022)۔
کرشنپریان ، اے ، گھولامی ، اے ، ژی ، ایس ، کربی ، آر ، اور مہونی ، جسمانی معلومات کے اعصابی نیٹ ورکس میں ممکنہ ناکامی کے طریقوں کی میگاواٹ کی خصوصیات۔ اعصابی انفارمیشن پروسیسنگ سسٹمز والیوم پر 35 ویں کانفرنس جلد۔ 34 ، 26548–26560 (نیورپس 2021)۔
باسیر ، ایس اور سینوکک ، I. طبیعیات پر مبنی عصبی نیٹ ورکس میں ناکامی کے طریقوں کا ایک تنقیدی مطالعہ۔ AIAA Scitech 2022 فورم 2353 (صندوق ، 2022) میں۔
کرناکوف پی۔ عمل. نیشنل اکیڈمی آف سائنسز۔ سائنس۔ گٹھ جوڑ 3 ، PGAE005 (2024)۔
Gundersen oe تولیدی صلاحیت کے بنیادی اصول۔ فل کراس۔ آر شوکر۔ A 379 ، 20200210 (2021)۔
ارووماٹاریس ای اور پیئرسن اے۔ منظم جائزے: ایک جائزہ۔ ہاں۔ جے نرسنگ 114 ، 53–58 (2014)۔
میگیرا ، جے ، رے ، ڈی ، ہسٹھاوین ، جے ایس ، اور روہڈے ، کے. جے کمپیوٹر۔ طبیعیات 409 ، 109345 (2020)۔
بیزگین ڈی اے ، شمٹ ایس جے اور ایڈمز این اے ڈیٹا سے چلنے والے جسمانی طور پر غیر کلاسیکی کم وولٹیج جھٹکے کے لئے فائنیٹ حجم سرکٹ سے آگاہ کرتے ہیں۔ جے کمپیوٹر۔ طبیعیات 437 ، 110324 (2021)۔