Dankie dat u Nature.com besoek het. Die weergawe van die blaaier wat u gebruik, het beperkte CSS -ondersteuning. Vir die beste resultate, beveel ons aan dat u 'n nuwer weergawe van u blaaier gebruik (of die versoenbaarheidsmodus in Internet Explorer deaktiveer). Intussen wys ons die webwerf sonder stilering of JavaScript om deurlopende ondersteuning te verseker.
Een van die belowendste toepassings van masjienleer in berekeningsfisika is die versnelde oplossing van gedeeltelike differensiaalvergelykings (PDE's). Die hoofdoel van 'n masjienleer-gebaseerde gedeeltelike differensiaalvergelyking-oplosser is om oplossings te produseer wat vinniger genoeg is as standaard numeriese metodes om as basisvergelyking te dien. Ons doen eers 'n sistematiese oorsig van die masjienleerliteratuur oor die oplossing van gedeeltelike differensiaalvergelykings. Van al die referate wat die gebruik van ML rapporteer om vloeistof gedeeltelike differensiaalvergelykings op te los en meerderwaardigheid oor standaard numeriese metodes te beweer, het ons 79% (60/76) geïdentifiseer in vergelyking met swak basislyne. Tweedens het ons bewyse gevind van wydverspreide vooroordeel vir verslagdoening, veral in uitkomsverslagdoening en vooroordeel vir publikasie. Ons kom tot die gevolgtrekking dat masjienleernavorsing oor die oplos van gedeeltelike differensiaalvergelykings te optimisties is: swak insetdata kan tot te positiewe resultate lei, en rapportering van vooroordeel kan lei tot onderverslag van negatiewe resultate. In 'n groot mate blyk dit dat hierdie probleme veroorsaak word deur faktore soortgelyk aan reproduceerbaarheidskrisisse uit die verlede: diskresie van die ondersoeker en positiewe uitkomsvooroordeel. We call for bottom-up cultural change to minimize biased reporting and top-down structural reform to reduce perverse incentives to do so.
Die lys van outeurs en artikels wat deur die sistematiese oorsig gegenereer word, sowel as die klassifikasie van elke artikel in die ewekansige steekproef, is in die openbaar beskikbaar op https://doi.org/10.17605/osf.io/gq5b3 (ref. 124).
Die kode wat nodig is om die resultate in Tabel 2 weer te gee, kan op GitHub gevind word: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (ref. 125) en op kode oseaan: https://codeocean.com/capsule/9605539/ Boom/ v1 (skakel 126) en https://codeocean.com/capsule/0799002/tree/v1 (skakel 127).
Randall, D., en Welser, K., die onreëlmatigheidskrisis in moderne wetenskap: oorsake, gevolge en weë vir hervorming (National Association of Scientists, 2018).
Ritchie, S. Science Fiction: Hoe bedrog, vooroordeel, stilte en hype die soeke na waarheid ondermyn (Vintage, 2020).
Oop wetenskaplike samewerking. Evaluering van reproduceerbaarheid in sielkundige wetenskap. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., en Asadullah, K. Glo dit of nie: hoeveel kan ons staatmaak op gepubliseerde gegewens oor potensiële medisyne -teikens? Nat. Eerwaarde “Die ontdekking van dwelms.” 10, 712 (2011).
Begley, KG en Ellis, LM verhoog standaarde in prekliniese kankernavorsing. Nature 483, 531–533 (2012).
A. Gelman en E. Loken, The Garden of Forking Paths: Waarom veelvuldige vergelykings 'n probleem is, selfs sonder 'visvangekspedisies' of 'p-hacks' en vooraf gevormde navorsingshipoteses, vol. 348, 1–17 (Departement van Statistiek, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., en Shi, D. Masjienleer op soek na nuwe fundamentele fisika. Nat. Doktor in Filosofie in Fisika. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM en Ahsan MJ. Masjienleer in medisyne -ontdekking: 'n oorsig. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS en Coote, ML Deep Learning in Chemistry. J.Chemistry. in kennis stel. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. en Kohan I. Masjienleer in medisyne. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts Me. en Stewart BM -masjienleer in sosiale wetenskappe: 'n agnostiese benadering. Eerwaarde Ann Ball. wetenskap. 24, 395–419 (2021).
Jump, J. et al. Maak baie akkurate proteïenstruktuurvoorspellings met behulp van Alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., en Gil, Y. Bronne van onreëlmatigheid in masjienleer: 'n oorsig. Voorafdruk beskikbaar op https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., en Rahimi, A. Winner's Curse? Oor die snelheid, vooruitgang en noukeurigheid van empiriese bewyse (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., en Zobel, J. Nie-toevoegingsverbeterings: voorlopige soekresultate sedert 1998. 18de ACM-konferensie oor inligting- en kennisbestuur 601–610 (ACM 2009).
Kapoor, S. en Narayanan, A. Lekkasie en reproduceerbaarheidskrisisse in masjienleer-gebaseerde wetenskap. Patrone, 4, 100804 (2023).
Kapoor S. et al. Hervorming: wetenskaplike verslagdoeningstandaarde gebaseer op masjienleer. Voorafdruk beskikbaar op https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C., en Recht, B. Betekenislose vergelykings kan lei tot vals optimisme in mediese masjienleer. PLoS One 12, E0184604 (2017).
Roberts, M., et al. Algemene slaggate en beste praktyke vir die gebruik van masjienleer om COVID-19 uit X-strale en rekenaartomografie op te spoor en te voorspel. Nat. Maks. Intel. 3, 199–217 (2021).
Winantz L. et al. Voorspellende modelle vir die diagnose en prognose van COVID-19: 'n sistematiese oorsig en kritiese waardering. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS en Pollard KS oorkom die slaggate van die gebruik van masjienleer in genomika. Nat. Pastoor Ginette. 23, 169–181 (2022).
Atris N. et al. Beste praktyke vir masjienleer in chemie. Nat. Chemikalie. 13, 505–508 (2021).
Brunton SL en Kutz Jn belowende aanwysings vir masjienleer van gedeeltelike differensiaalvergelykings. Nat. bereken. wetenskap. 4, 483–494 (2024).
Vinuesa, R. en Brunton, SL Die verbetering van berekeningsvloeistofdinamika deur masjienleer. Nat. bereken. wetenskap. 2, 358–366 (2022).
Comeau, S. et al. Wetenskaplike masjienleer met fisies ingeligte neurale netwerke: waar ons nou is en wat volgende is. J. Science. bereken. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., en Xiao, H. Turbulensiemodellering in die data -era. Hersiene uitgawe van Ann. 51, 357–377 (2019).
Durran, DR Numeriese metodes om golfvergelykings op te los in geofisiese hidrodinamika, vol. 32 (Springer, 2013).
Mishra, S. 'n Masjienleerraamwerk vir die versnelling van data-gedrewe berekening van differensiaalvergelykings. Wiskunde. ingenieur. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et al. Masjienleer - versnelling van berekeningsvloeistofdinamika. proses. Nasionale Akademie vir Wetenskappe. wetenskap. US 118, E2101784118 (2021).
Kadapa, K. Masjienleer vir rekenaarwetenskap en ingenieurswese - 'n kort inleiding en enkele belangrike probleme. Voorafdruk beskikbaar op https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., en Zanna, L. Vergelykende analise van die subgrid-parameterisering van die masjienleer in geïdealiseerde modelle. J.ADV. Model. Aardstelsel. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., en Brandstetter, J. PDE -verfyning: die bereiking van akkurate lang ekstrusies met 'n neurale PDE -oplosser. 37ste konferensie oor neurale inligtingsverwerkingstelsels (Neurips 2023).
Frachas, Pr et al. Terugpropagasie -algoritme en berekening van die reservoir in herhalende neurale netwerke vir die voorspelling van komplekse ruimtelike temporale dinamika. neurale netwerk. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. en Karniadakis, GE Physics, Computer Science, Neural Networks: A Deep Learning Framework vir die oplos van voorwaartse en omgekeerde probleme wat nie -lineêre gedeeltelike differensiaalvergelykings behels. J. rekenaar. fisika. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., en Schönlieb, K.-B. Kan fisika-gebaseerde neurale netwerke beter presteer met eindige elementmetodes? IMA J. Aansoeke. Wiskunde. 89, 143–174 (2024).
De la Mata, FF, Gijon, A., Molina-Solana, M., en Gómez-Romero, J. Fisika-gebaseerde neurale netwerke vir datastuurde modellering: voordele, beperkings en geleenthede. fisika. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA 'n Empiriese verslag oor fisika-gebaseerde neurale netwerke in vloeistofmodellering: slaggate en teleurstellings. Voorafdruk beskikbaar op https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. en Barba, LA voorspellende beperkings van fisies ingeligte neurale netwerke oor die vorming van die draaikolk. Voorafdruk beskikbaar op https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., en Perdikaris, P. Wanneer en waarom pinns versuim om te oefen: 'n neurale raakagtige kernperspektief. J. rekenaar. fisika. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., en Mahoney, MW -eienskappe van moontlike mislukkingsmetodes in fisiese inligting neurale netwerke. 35ste konferensie oor neurale inligtingverwerkingstelsels Vol. 34, 26548–26560 (Neurips 2021).
Basir, S. en Senokak, I. 'n Kritiese studie van mislukkingsmetodes in fisika-gebaseerde neurale netwerke. In AIAA SciTech 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. en Koumoutsakos P. Oplos van fisiese omgekeerde probleme deur diskrete verliese te optimaliseer: vinnige en akkurate leer sonder neurale netwerke. proses. Nasionale Akademie vir Wetenskappe. wetenskap. Nexus 3, PGAE005 (2024).
Gundersen oe Basiese beginsels van reproduceerbaarheid. Phil.Cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E en Pearson A. Stelselmatige oorsigte: 'n oorsig. Ja. J. Verpleegkunde 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, en Rohde, K. Beperkingsbewuste neurale netwerke vir die Riemann-probleem. J. rekenaar. fisika. 409, 109345 (2020).
Bezgin DA, Schmidt SJ en Adams NA Data-aangedrewe fisies ingeligte eindige volume stroombaan vir nie-klassieke verminderde spanningsskokke. J. rekenaar. fisika. 437, 110324 (2021).
Postyd: Sep-29-2024