Tabiat.com saytiga tashrif buyurganingiz uchun rahmat. Siz foydalanayotgan brauzerning versiyasi cheklangan CSS-ni qo'llab-quvvatlaydi. Eng yaxshi natijalarga ko'ra, biz brauzeringizning yangi versiyasidan foydalanishingizni tavsiya qilamiz (yoki Internet Explorer-da moslik rejimida o'chirish rejimida). Shu bilan birga, qo'llab-quvvatlanayotgan yordamni ta'minlash uchun biz saytni styling yoki JavaScript-ni ko'rsatamiz.
Hisoblash fizikasidagi mashina o'qitishning eng istiqbolli qo'llanmalaridan biri bu qisman differentsial tenglamalar (PDES) tezlashtirilgan eritmaidir. Mashinasozlik asosida ajratilgan qismini taqsimlamaydigan qismning asosiy maqsadi standart taqqoslash uchun standart raqamli usullardan ko'ra tezroq echimlarni ishlab chiqarishdir. Biz birinchi navbatda differentsial tenglamalarni echish bo'yicha o'quv adabiyotlarini muntazam ravishda ko'rib chiqamiz. 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.
Tizimli ko'rib chiqiladigan mualliflar va maqolalar, shuningdek har bir moddaning tasodifiy namunadagi tasnifi, https://doi.org/105/osf.io/gq5b3 (Ref. 124).
2-jadvalda keltirilgan kodni githube-da takrorlash uchun zarur bo'lgan kodni topish mumkin: https://github.com/wikmcreiivine/weakmcheelinesmlpdmlpdmlpdlpdlpdmlpdlpdmlpdlpdmlpdmlpdmlpdmlpdlpdmlpdlpdmlpdlpdlpdlpdlpdlpdlpdlpdlpdlpdlpdlpdlpdmlpdlpdlpdmlpdmlpdmlpdmlpdmlpdlpdlpdlpdmlpdlpdmlpdlpdlpdmlpdmlpdlm/9605559/ Daraxt / V1 (126 havolasi) va https://codeocean.com/capule/07999002/tree/v1 (127-up).
Rancall, D. va Veler, K., zamonaviy ilm-fanning o'zgaruvchan inqirozi: sabablar, oqibatlar va ishlar olib borish uchun yo'llar (olimlar milliy assotsiatsiyasi, 2018 yil).
Ritsie, S. Ilmiy fantastika: Firibgarlar, xiyonat, sukut saqlash va hiyla-nayrang haqiqatni izlaydilar (Vintage, 2020).
Ochiq ilmiy hamkorlik. Psixologik fan bo'yicha takrorlanishni baholash. Ilmiy 349, AAC4716 (2015).
Prinz, F., Schxange, T. va Asadulloh, K. ishonish yoki aytmaslik: giyohvand moddalar bo'yicha progressiyalar bo'yicha qancha ma'lumotlarga ishonishimiz mumkin? Nat. Ver. "Giyohvand moddalarni kashf qilish". 10, 712 (2011).
Begle, KG va Ellis, lm saraton kasalligi bo'yicha tadqiqotlar bo'yicha standartlar. Tabiat 483, 531-533 (2012).
A. Gelman va E. Lanlin, vilkalar bog'i bog'i: nima uchun bir nechta taqqoslashlar "baliq ovlash" yoki "p-hacks" yoki "p-hacks" yoki "P-Hacks" yoki prefotatsiyalanmagan tadqiqotlarni oldindan rejalashtirmasdan. 348, 1-17 (Statistika kafedrasi, 2013).
Karaagiorji, G., Kaseckma, G., Kravitz, S., Nachman, B. va SHI, D. Mashinalar yangi fundamental fizikani izlashda o'rganish. Nat. Fizikadagi falsafa doktori. 4, 399-412 (2022).
Dorercherla s, Jadxav SS, Babu S., Babu SS, Axsan MJ. Preparatni kashf etishda mashinani o'rganish: sharh. Azif. Intel. Ed. 55, 1947-1999 (2022).
MATT, masalan, ML kimyo bo'yicha chuqur o'rganish. J.Chemister. xabar berish. Model. 59, 2545-2559 (2019).
Rajkomar A., Dekan J. va Kohan I. Tibbiyotda mashinasozlik. Angliya tibbiyoti jurnali. 380, 1347-1358 (2019).
Grimmer J, meni Robertlar. va ijtimoiy fanlar bo'yicha BM mashinasini o'rganish: agnostik yondashuv. ANN AN BL to'plami. fan. 24, 395-419 (2021).
Sakrash, j. va boshqalar. AlpeFold-dan foydalanib, oqsil tuzilmasi bashoratini oling. Tabiat 596, 583-589 (2021).
Gundersen, Oe, Corkli, K., Kirkpart, K., Gil, Y. Mashinani o'qitishning o'zgarmasligini o'zgartirish manbalari: sharh. Https://arxiv.org/2204.07610 (2022) da chop etilgan.
D.Qu, D., SNOK, J., Uiltschko, A. va Rahimi, A. g'olibining la'nati? Empirik dalillarning tezligi, taraqqiyoti va qat'iyligi (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, Weber, Weber, J. va Zobel, 1998 yildan beri ACM ACM konferentsiyasi 601-610 (ACM 2009).
Kapur, S. va Narayanan, A. Mashinani o'qitish bo'yicha fan sohasidagi oqish va ko'payish inqirozlari. Naqshlar, 4, 100804 (2023).
Kapur S. va boshqalar. Islohot: Magistratura asosida ilmiy hisobot standartlari. Https://arxiv.org/ABS/2308.07822 (2023)
Demasi, O, Sarding, C., C., B. Ma'naviy taqqoslashlar tibbiy optimizmga olib kelishi mumkin. PLOS BIR 12, E0184604 (2017).
Roberts, M., va boshqalar. Oddiy chorvachilik va mashinani o'rganish uchun eng yaxshi amaliyotlar, Obgarish-19 ko'kragi rentgenogrammasidan va kompyuter tomografiyasi va kompyuter tomografiyasidan. Nat. Maks. Intel. 3, 199-217 (2021).
Winantz L. va boshqalar. KEID-19 tashxis va prognozi uchun bashoratli modellar: tizimli ko'rib chiqish va tanqidiy baholash. BMJ 369, M1328 (2020).
S., Shreiber J., Ajoyib WS va Phundarka Ks genomikada mashinani o'qitishdan foydalanishning xavfini oshirmoqda. Nat. Pastor kinetasi. 23, 169-181 (2022).
Atis N. va boshqalar. Kimyatda mashinasozlik uchun eng yaxshi amaliyot. Nat. Kimyoviy. 13, 505-508 (2021).
Shartli differentsial tenglamalarni o'rganish uchun mashinani o'rganishning istiqbolli yo'nalishlari. Nat. hisoblash. fan. 4, 483-494 (2024).
Vinua, R. va Bronton, Sl Mashinani o'rganish orqali hisoblash suyuqlik dinamikasini takomillashtirish. Nat. hisoblash. fan. 2, 358-366 (2022).
Komo, S. va boshqalar. Neural Necal tarmoqlari bilan ilmiy mashinani o'rganish: biz hozir qaerda va bundan keyin nima bor. J. Ilm-fan. hisoblash. 92, 88 (2022).
Drasasamy, KACARAROY, G. va Xiao, Hiao, Hiao, Data-ning ERA ma'lumotlarida modellashtirish. Annning qayta ko'rib chiqilgan. 51, 357-377 (2019).
Durran, geofizik gidrodinaliklarda to'lqin tenglamalarini echish uchun doktor raqamli usullari, jild. 32 (Springer, 2013).
Mishra, S. Differentsial tenglamalarni tezlashtirish uchun mashinani o'rganish asoslari. Matematika. Muhandis. https://doi.org/10.3934/in.2018.11118 (2018).
Kochikov D. va boshqalar. Mashinani o'rganish - hisoblashning suyuqlik dinamikasini tezlashtirish. Jarayon. Milliy fanlar akademiyasi. fan. AQSh 118, E2101784118 (2021).
K. Mashinasozlik uchun K. Mashinasozlik - qisqacha kirish va ba'zi muhim masalalar. Https://arxiv.org/ABS/2112.12054da mavjud bo'lgan Preprint (2021).
Ross, A., Li, Z., Peregogin, P., Fernandes-Branka, C. va Zanna, L. idealizatsiyalangan modellarda Mashinani o'rganish Okuruning o'quv tartibini taqqoslash. J.Aks. Model. Yer tizimi. 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. Neyraluvchi axborotni qayta ishlash tizimlari bo'yicha 37-konferentsiya (Neyrap 2023).
Frakalar, pay va boshqalar. Murakkab Spatiotemporal dinamikasini bashorat qilish uchun takroriy neyron tarmoqlarida zaxira nusxasi va suv havzasi. Neron tarmog'i. 191-217 (2020).
Raissi, M., Perdikaris, P. va Karniadakis, Informatika, Neron tarmog'i, Nomaqli farqli ravishda ajratish uchun oldinga siljish va teskari muammolarni hal qilish uchun chuqur o'rganish va teskari muammolar. J. kompyuter. Fizika. 378, 686-707 (2019).
Grossmann, TG, Komorovka, UJ, Lutz, J., Shonlieb, K.-b. Fizikaga asoslangan neural tarmoqlari cheksiz elementlarning usullarini cheklashi mumkinmi? Ima J. Ilovalar. Matematika. 89, 143-174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M., Molina-Solana, I ma'lumotlarga asoslangan modellashtirish uchun nayom tarmoqlari: afzalliklari, cheklovlar va imkoniyatlar. Fizika. 610, 128415 (2023).
Juang, P.-Y. & Bar Barba, La suyuqlik modellashtirishdagi fizikaga asoslangan nayron tarmoqlari to'g'risidagi empirikasi: Pitishmalar va umidsizliklar. Https://arxiv.org/ABS/2205.14249 (2022)
Juang, P.-Y. va Barba, LA vorteks shakllanishida jismoniy ma'lumotli neyron tarmoqlarining predmetik cheklovlari. Https://arxiv.org/ABS/2306.00230 (2023)
Vang, S., Yu, H. va Perdikaris, P. Qachon va nima uchun pinns mashg'ulotlarga olib kelmadi: nefar tangenent yadro nuqtai nazaridan. J. kompyuter. Fizika. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., and Mahoney, MW Characteristics of possible failure modes in physical information neural networks. Neyraluvchi axborotni qayta ishlash tizimlari bo'yicha 35-konferentsiya Vol. 34, 26548-26560 (Neyrap 2021).
Fizikaga asoslangan neural tarmoqlarda muvaffaqiyatsizlik rejimlarini tanqidiy o'rganish. AIAA SCITECH 2022-bet 2353 (Ark, 2022).
Karnakov P., Litvinov S. va Koumutsakos P. Fizik muammolarni ajratish orqali jismoniy teskari muammolarni hal qilish: Neron tarmoqlarisiz tez va aniq o'rganish. Jarayon. Milliy fanlar akademiyasi. fan. Nexus 3, pgae005 (2024).
Gundersen OE reprozitsiyaning asosiy printsiplari. Fil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E va Pearson A. Tizimli sharhlar: umumiy nuqtai. Ha. J. To'shak 114, 53-58 emizikli (2014).
Magica, J., Ray, Hestaven, JS va Roue, K. K. K. K. K. K. K. K. K. Neyron tarmoqlari Riemann muammosi uchun. J. kompyuter. Fizika. 409, 109345 (2020).
Bazgin da, Shmidt Sj va AMSS NA ma'lumotlariga ko'ra, klassik bo'lmagan kuchlanishli kuchlanishlar uchun cheklangan hajmli ovozlarni jismoniy xabardor qildilar. J. kompyuter. Fizika. 437, 110324 (2021).
O'tish vaqti: sep-29-2024