تؤدي خطوط الأساس الضعيفة والتحيز الإبلاغ إلى التفاؤل في التعلم الآلي للمعادلات التفاضلية الجزئية المرتبطة بالسوائل.

شكرا لك على زيارة nature.com. إن إصدار المستعرض الذي تستخدمه له دعم محدود CSS. للحصول على أفضل النتائج ، نوصي باستخدام إصدار أحدث من متصفحك (أو تعطيل وضع التوافق في Internet Explorer). في غضون ذلك ، لضمان الدعم المستمر ، نعرض الموقع دون تصميم أو JavaScript.
أحد أكثر التطبيقات الواعدة للتعلم الآلي في الفيزياء الحسابية هو الحل المتسارع للمعادلات التفاضلية الجزئية (PDEs). الهدف الرئيسي من حلول المعادلة التفاضلية الجزئية القائمة على التعلم الآلي هو إنتاج حلول دقيقة بما يكفي من الطرق العددية القياسية لتكون بمثابة مقارنة أساسية. نقوم أولاً بإجراء مراجعة منهجية لأدب التعلم الآلي حول حل المعادلات التفاضلية الجزئية. من بين جميع الأوراق التي أبلغت عن استخدام ML لحل المعادلات التفاضلية الجزئية للسوائل والمطالبة بالتفوق على الطرق العددية القياسية ، حددنا 79 ٪ (60/76) مقارنة بخطوط الأساس الضعيفة. ثانياً ، وجدنا أدلة على وجود تحيز على نطاق واسع ، وخاصة في الإبلاغ عن النتائج وتحيز النشر. نستنتج أن أبحاث التعلم الآلي حول حل المعادلات التفاضلية الجزئية متفائلة بشكل مفرط: يمكن أن تؤدي بيانات الإدخال الضعيفة إلى نتائج إيجابية بشكل مفرط ، ويمكن أن يؤدي التحيز الإبلاغ إلى عدم الإبلاغ عن النتائج السلبية. في جزء كبير منه ، يبدو أن هذه المشكلات ناتجة عن عوامل مماثلة لأزمات الاستنساخ السابقة: السلطة التقديرية للباحث والتحيز الإيجابي. نحن ندعو إلى تغيير ثقافي من أسفل إلى أعلى لتقليل التقارير المتحيزة والإصلاح الهيكلي من أعلى إلى أسفل لتقليل الحوافز المنحرفة للقيام بذلك.
قائمة المؤلفين والمقالات التي تم إنشاؤها بواسطة المراجعة المنهجية ، وكذلك تصنيف كل مقالة في العينة العشوائية ، متوفرة علنية على https://doi.org/10.17605/osf.io/gq5b3 (المرجع 124).
يمكن العثور على الكود اللازم لإعادة إنتاج النتائج الواردة في الجدول 2 على github: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (المرجع 125) وعلى الكود المحيط: https://codeocean.com/capsule/9605539/ شجرة/ V1 (الرابط 126) و https://codeocean.com/capsule/0799002/tree/v1 (الرابط 127).
Randall ، D. ، and Welser ، K. ، The Unreprodability Crisis in Modern Science: Cures ، Wereft ، and Pathways for Report (National Association of Scientists ، 2018).

فتح التعاون العلمي. تقييم الاستنساخ في العلوم النفسية. Science 349 ، AAAC4716 (2015).
Prinz ، F. ، Schlange ، T. ، and Asadullah ، K. صدق أو لا تصدق: إلى أي مدى يمكننا الاعتماد على البيانات المنشورة عن أهداف الدواء المحتملة؟ نات. القس "اكتشاف المخدرات". 10 ، 712 (2011).
Begley ، KG و Ellis ، معايير رفع LM في أبحاث السرطان قبل السريرية. Nature 483 ، 531–533 (2012).
A. Gelman و E. Loken ، Garden of Forking Paths: لماذا تعتبر المقارنات المتعددة مشكلة حتى من دون "حملات الصيد" أو "p-hacks" وفرضيات البحث المسبق ، المجلد. 348 ، 1-17 (قسم الإحصاء ، 2013).
Karagiorgi ، G. ، Kasecka ، G. ، Kravitz ، S. ، Nachman ، B. ، and Shi ، D. Machine Learning in Search of New Physics. نات. دكتوراه في الفلسفة في الفيزياء. 4 ، 399–412 (2022).
Dara S ، Damercherla S ، Jadhav SS ، Babu CM و Ahsan MJ. التعلم الآلي في اكتشاف المخدرات: مراجعة. ATIF. إنتل. إد. 55 ، 1947-1999 (2022).
Mather ، As and Coote ، Ml التعلم العميق في الكيمياء. J.Chemistry. إخطار. نموذج. 59 ، 2545-2559 (2019).
Rajkomar A. ، Dean J. and Kohan I. التعلم الآلي في الطب. مجلة نيو إنجلاند للطب. 380 ، 1347-1358 (2019).
Grimmer J ، روبرتس لي. و Stewart BM التعلم الآلي في العلوم الاجتماعية: نهج لاأدري. القس آن بول. علوم. 24 ، 395-419 (2021).
Jump ، J. et al. جعل تنبؤات بنية البروتين دقيقة للغاية باستخدام alphafold. الطبيعة 596 ، 583-589 (2021).
Gundersen ، OE ، Coakley ، K. ، Kirkpatrick ، ​​K. ، and Gil ، Y. Sources of Uproderdibility in Machine Learning: A review. preprint متاح على https://arxiv.org/abs/2204.07610 (2022).
Scully ، D. ، Snook ، J. ، Wiltschko ، A. ، and Rahimi ، A. Winner's Curse؟ على السرعة والتقدم وصرامة الأدلة التجريبية (ICLR ، 2018).
Armstrong ، TG ، Moffat ، A. ، Webber ، W. ، and Zobel ، J. التحسينات غير الإضافية: نتائج البحث الأولية منذ عام 1998. مؤتمر ACM الثامن عشر حول المعلومات وإدارة المعرفة 601–610 (ACM 2009).
كابور ، س. الأنماط ، 4 ، 100804 (2023).
Kapoor S. et al. الإصلاح: معايير الإبلاغ العلمي على أساس التعلم الآلي. preprint متاح على https://arxiv.org/abs/2308.07832 (2023).
Demasi ، O. ، Cording ، C. ، و Recht ، B. يمكن أن تؤدي مقارنات لا معنى لها إلى تفاؤل خاطئ في التعلم الآلي الطبي. PLOS One 12 ، E0184604 (2017).
روبرتس ، م. ، وآخرون. المزالق الشائعة وأفضل الممارسات لاستخدام التعلم الآلي لاكتشاف وتنبؤ Covid-19 من الأشعة السينية الصدر والتصوير المقطعي المحسوب. نات. الأعلى. إنتل. 3 ، 199-217 (2021).
Winantz L. et al. النماذج التنبؤية لتشخيص وتشخيص Covid-19: مراجعة منهجية وتقييم نقدي. BMJ 369 ، M1328 (2020).
Whalen S. ، Schreiber J. ، Noble WS و Pollard KS التغلب على المزالق لاستخدام التعلم الآلي في الجينوم. نات. القس جينيت. 23 ، 169-181 (2022).
Atris N. et al. أفضل الممارسات للتعلم الآلي في الكيمياء. نات. كيميائية. 13 ، 505-508 (2021).
برونتون SL و Kutz JN الاتجاهات الواعدة للتعلم الآلي للمعادلات التفاضلية الجزئية. نات. حساب. علوم. 4 ، 483-494 (2024).
Vinuesa ، R. و Brunton ، SL تحسين ديناميات السوائل الحسابية من خلال التعلم الآلي. نات. حساب. علوم. 2 ، 358-366 (2022).
Comeau ، S. et al. التعلم الآلي العلمي مع الشبكات العصبية المستنيرة جسديًا: أين نحن الآن وما هو التالي. J. العلم. حساب. 92 ، 88 (2022).
Duraisamy ، K. ، Yaccarino ، G. ، and Xiao ، H. Trupulence Modeling in the Data Era. طبعة منقحة من آن. 51, 357–377 (2019).
Durran ، DR الأساليب العددية لحل معادلات الموجة في الهيدروديناميكية الجيوفيزيائية ، المجلد. 32 (سبرينغر ، 2013).
Mishra ، S. إطار التعلم الآلي لتسريع حساب المعادلات الفاضلة التي تعتمد على البيانات. الرياضيات. مهندس. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et al. التعلم الآلي - تسريع ديناميات السوائل الحسابية. العملية. الأكاديمية الوطنية للعلوم. العلم. الولايات المتحدة 118 ، E2101784118 (2021).
Kadapa ، K. التعلم الآلي لعلوم وهندسة الكمبيوتر - مقدمة موجزة وبعض القضايا الرئيسية. preprint متاح على https://arxiv.org/abs/2112.12054 (2021).
Ross ، A. ، Li ، Z. ، Perezhogin ، P. ، Fernandez-Granda ، C. ، and Zanna ، L. تحليل مقارن لمعلمات الشاشة الفرعية للمحيطات في التعلم الآلي في النماذج المثالية. ج. نموذج. نظام الأرض. 15. E2022MS003258 (2023).
Lippe ، P. ، Wieling ، B. ، Perdikaris ، P. ، Turner ، R. ، and BrandStetter ، J. PDE refinement: تحقيق عمليات سقوط طويلة دقيقة مع حلال PDE العصبي. المؤتمر السابع والثلاثين لأنظمة معالجة المعلومات العصبية (Neups 2023).
Frachas ، Pr et al. خوارزمية backpropagation وحساب الخزان في الشبكات العصبية المتكررة للتنبؤ ديناميات الزمانات المكانية المعقدة. الشبكة العصبية. 126 ، 191–217 (2020).
Raissi ، M. ، Perdikaris ، P. and Karniadakis ، GE Physics ، Computer Science ، الشبكات العصبية: إطار عمل تعليمي عميق لحل المشكلات الأمامية والعكسية التي تنطوي على معادلات تفاضلية جزئية غير خطية. J. الكمبيوتر. الفيزياء. 378 ، 686–707 (2019).
Grossmann ، TG ، Komorowska ، UJ ، Lutz ، J. ، and Schönlieb ، K.-B. هل يمكن أن تتفوق الشبكات العصبية القائمة على الفيزياء على أساليب العناصر المحدودة؟ تطبيقات IMA J. الرياضيات. 89 ، 143-174 (2024).
De La Mata ، FF ، Gijon ، A. ، Molina-Solana ، M. ، and Gómez-Romero ، J. Neural Networks based for Divening Divening: المزايا والقيود والفرص. الفيزياء. A 610 ، 128415 (2023).
Zhuang ، P.-Y. & Barba ، LA تقرير تجريبي عن الشبكات العصبية القائمة على الفيزياء في نمذجة السوائل: المزالق وخيبة الأمل. preprint متاح على https://arxiv.org/abs/2205.14249 (2022).
Zhuang ، P.-Y. و Barba ، LA القيود التنبؤية للشبكات العصبية المستنيرة جسديًا على تكوين دوامة. preprint متاح على https://arxiv.org/abs/2306.00230 (2023).

كريشنابريان ، أ. المؤتمر الخامس والثلاثين حول أنظمة معالجة المعلومات العصبية المجلد. 34 ، 26548-26560 (Neups 2021).

Karnakov P. ، Litvinov S. و Koumoutsakos P. حل مشاكل عكسية جسدية من خلال تحسين الخسائر المنفصلة: التعلم السريع والدقيق بدون شبكات عصبية. عملية. الأكاديمية الوطنية للعلوم. العلم. Nexus 3 ، PGAE005 (2024).
Gundersen OE المبادئ الأساسية للاستنساخ. Phil.Cross. ر. شوكر. A 379 ، 20200210 (2021).
Aromataris E و Pearson A. المراجعات المنهجية: نظرة عامة. نعم. J. التمريض 114 ، 53-58 (2014).
Magiera ، J. ، Ray ، D. ، Hesthaven ، JS ، and Rohde ، K. Crodaint-Award Neural Networks for the Riemann مشكلة. J. الكمبيوتر. الفيزياء. 409 ، 109345 (2020).
Bezgin DA و Schmidt SJ و Adams NA التي تعتمد على البيانات المحدودة التي تعتمد على البيانات جسديًا لصدمات الجهد غير الكلاسيكية. J. الكمبيوتر. الفيزياء. 437 ، 110324 (2021).