Дзякуй за наведванне Nature.com. Версія браўзэра, які вы выкарыстоўваеце, мае абмежаваную падтрымку CSS. Для дасягнення найлепшых вынікаў мы рэкамендуем выкарыстоўваць больш новую версію вашага браўзэра (альбо адключыць рэжым сумяшчальнасці ў Internet Explorer). У той жа час, каб забяспечыць пастаянную падтрымку, мы паказваем сайт без кладкі і JavaScript.
Адным з самых перспектыўных прыкладанняў машыннага навучання ў вылічальнай фізіцы з'яўляецца паскоранае рашэнне частковых дыферэнцыяльных ураўненняў (PDE). Асноўная мэта разрастання частковага дыферэнцыяльнага раўнання на аснове машыннага навучання-вырабляць рашэнні, якія досыць дакладныя, чым стандартныя лікавыя метады, каб служыць базавым параўнаннем. Мы спачатку праводзім сістэматычны агляд літаратуры машыннага навучання па рашэнні частковых дыферэнцыяльных ураўненняў. З усіх дакументаў, якія паведамляюць пра выкарыстанне ML для вырашэння частковых дыферэнцыяльных раўнанняў вадкасці і заявіўшы пра перавагу ў параўнанні з стандартнымі лікавымі метадамі, мы вызначылі 79% (60/76) у параўнанні са слабымі базавымі лініямі. Па -другое, мы знайшлі доказы шырокай прадузятасці справаздачнасці, асабліва ў выніках справаздачнасці і прадузятасці публікацыі. Мы робім выснову, што даследаванне машыннага навучання па вырашэнні частковых дыферэнцыяльных раўнанняў з'яўляецца празмерна аптымістычным: слабыя дадзеныя ўваходу могуць прывесці да празмерна станоўчых вынікаў, а прадузятасць справаздачнасці можа прывесці да недастатковага паведамлення адмоўных вынікаў. У значнай ступені гэтыя праблемы, як уяўляецца, выкліканыя фактарамі, падобнымі на мінулыя крызісы ўзнаўляльнасці: меркаванне следчага і ўхіл станоўчага вынікаў. Мы заклікаем да змянення культурных звестак знізу ўверх, каб мінімізаваць прадузятае справаздачнасць і структурную рэформу зверху ўніз, каб знізіць перакручаныя стымулы для гэтага.
Пералік аўтараў і артыкулаў, якія генеруюцца сістэматычным аглядам, а таксама класіфікацыя кожнага артыкула ў выпадковай выбарцы, публічна даступны на https://doi.org/10.17605/osf.io/gq5b3 (спасылка 124).
Код, неабходны для прайгравання вынікаў у табліцы 2, можна знайсці на GitHub: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (спасылка 125) і на кодзе акіяна: https://codeocean.com/capsule/9605539/ Дрэва/ v1 (спасылка 126) і https://codeocean.com/capsule/0799002/tree/v1 (спасылка 127).
Randall, D., and Welser, K., Крызіс нязвыкласці ў сучаснай навуцы: прычыны, наступствы і шляхі рэформаў (Нацыянальная асацыяцыя навукоўцаў, 2018).
Рычы, С. Навуковая фантастыка: як махлярства, прадузятасць, цішыня і ажыятаж падрываюць пошук праўды (Vintage, 2020).
Адкрытае навуковае супрацоўніцтва. Ацэнка ўзнаўляльнасці ў псіхалагічнай навуцы. Навука 349, AAAC4716 (2015).
Prinz, F., Schlange, T., and Asadullah, K. Верыце ці не: колькі мы можам разлічваць на апублікаваныя дадзеныя аб патэнцыяльных мэтах наркотыкаў? Нат. Вялебны "Адкрыццё наркотыкаў". 10, 712 (2011).
Begley, KG і Ellis, LM павышаюць стандарты ў даклінічных даследаваннях рака. Прырода 483, 531–533 (2012).
А. Гельман і Э. Локен, Сад раздвоеных шляхоў: Чаму некалькі параўнанняў-гэта праблема нават без "рыбалоўных экспедыцый" або "р-хакераў", а таксама загадзя гіпотэзы даследавання, вып. 348, 1–17 (кафедра статыстыкі, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., and Shi, D. Машыннае навучанне ў пошуках новай фундаментальнай фізікі. Нат. Доктар філасофіі ў фізіцы. 4, 399–412 (2022).
Дара S, Damercherla S, Jadhav SS, Babu CM і Ahsan MJ. Машыннае навучанне ў выяўленні наркотыкаў: агляд. Атыф. Intel. Рэд. 55, 1947–1999 (2022).
Mather, AS і Coote, ML Deep Learning in Chemistry. J.Chemistry. Паведаміць. Мадэль. 59, 2545–2559 (2019).
Раджкомар А., Дзін Дж. І Кохан I. Машыннае навучанне ў медыцыне. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. і машыннае навучанне Сцюарта ў сацыяльных навуках: агностычны падыход. Вялебны Эн Бал. Навука. 24, 395–419 (2021).
Jump, J. et al. Зрабіце высока дакладныя прагнозы структуры бялку з выкарыстаннем Alphafold. Прырода 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., and Gil, Y. Крыніцы невырашальнасці ў машынным навучанні: агляд. Прэдпіс даступны на https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., and Rahimi, A. Winner's's's Purrey? Пра хуткасць, прагрэс і строгасць эмпірычных доказаў (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., and Zobel, J. Недадаваныя ўдасканаленні: папярэднія вынікі пошуку з 1998 года. 18-я канферэнцыя ACM па пытаннях інфармацыі і кіравання ведамі 601–610 (ACM 2009).
Капур, С. і Нараянан, А. Крызісы ўцечкі і ўзнаўляльнасці ў навуцы на аснове машыннага навучання. Узоры, 4, 100804 (2023).
Kapoor S. et al. Рэформа: навуковыя стандарты справаздачнасці на аснове машыннага навучання. Прэдпіс даступны на https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C. і Revht, B. Бессэнсоўныя параўнанні могуць прывесці да ілжывага аптымізму ў медыцынскім машынным навучанні. PLOS One 12, E0184604 (2017).
Робертс, М. і інш. Агульныя падводныя камяні і лепшыя практыкі выкарыстання машыннага навучання для выяўлення і прагназавання Covid-19 з рэнтгенаўскіх прамянёў і кампутарнай тамаграфіі. Нат. Макс. Intel. 3, 199–217 (2021).
Winantz L. et al. Прагнастычныя мадэлі для дыягностыкі і прагнозу COVID-19: сістэматычны агляд і крытычная ацэнка. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS і Pollard KS пераадольваюць падводныя камяні выкарыстання машыннага навучання ў геноміцы. Нат. Пастар Джынет. 23, 169–181 (2022).
Арыс Н. і інш. Лепшыя практыкі машыннага навучання ў хіміі. Нат. Хімічны. 13, 505–508 (2021).
Brunton SL і Kutz JN абяцаюць напрамкі машыннага навучання частковых дыферэнцыяльных раўнанняў. Нат. вылічыць. Навука. 4, 483–494 (2024).
Vinuesa, R. і Brunton, SL, паляпшаючы вылічальную дынаміку вадкасці з дапамогай машыннага навучання. Нат. вылічыць. Навука. 2, 358–366 (2022).
Comeau, S. et al. Навуковае машыннае навучанне з фізічна інфармаванымі нейроннымі сеткамі: дзе мы зараз і што далей. Дж. Навука. вылічыць. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., and Xiao, H. Мадэляванне турбулентнасці ў эпоху дадзеных. Перагледжанае выданне Эн. 51, 357–377 (2019).
Durran, DR лікавыя метады вырашэння хвалі ўраўненняў у геафізічнай гідрадынаміцы, вып. 32 (Спрынгер, 2013).
Мішра, С. Рамка машыннага навучання для паскарэння вылічэння дадзеных дыферэнцыяльных раўнанняў. Матэматыка. інжынер. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et al. Машыннае навучанне - паскарэнне вылічальнай дынамікі вадкасці. працэс. Нацыянальная акадэмія навук. Навука. ЗША 118, E2101784118 (2021).
Кадапа, К. Машыннае навучанне для інфарматыкі і тэхнікі - кароткае ўвядзенне і некаторыя ключавыя пытанні. Прэцэнт, даступны на https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., and Zanna, L. Параўнальны аналіз параметрызацыі падсеткі акіянскага навучання ў ідэалізаваных мадэлях. J.Adv. Мадэль. Зямная сістэма. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., and Brandstetter, J. PDE Удасканаленне: дасягненне дакладных доўгіх экструзіяў з нервовым вырашальнікам PDE. 37 -я канферэнцыя па сістэмах нервовай інфармацыі (Neurips 2023).
Frachas, PR і інш. Алгарытм зваротнага ўздзеяння і разлік рэзервуара ў рэцыдывавальных нейронных сетках для прагназавання складанай прасторава -часовай дынамікі. нейронная сетка. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. and Karniadakis, GE Physics, Computer Science, Nuran Setworks: глыбокая аснова навучання для вырашэння наперад і зваротных праблем, звязаных з нелінейнымі частковымі дыферэнцыяльнымі раўнаннямі. J. Computer. фізіка. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., and Schönlieb, K.-B. Ці могуць нейронныя сеткі на аснове фізікі пераўзысці метады канчатковых элементаў? ІМА Дж. Прыкладанні. Матэматыка. 89, 143–174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M., and Gómez-Romero, J. Neural Neural Setworks на аснове фізікі для мадэлявання дадзеных: перавагі, абмежаванні і магчымасці. фізіка. A 610, 128415 (2023).
Чжуан, П.-Ва. & Barba, LA-Эмпірычны даклад аб нейронных сетках на аснове фізікі ў мадэляванні вадкасці: падводныя камяні і расчараванні. Прэцэнт, даступны на https://arxiv.org/abs/2205.14249 (2022).
Чжуан, П.-Ва. і Барба, LA прагнастычныя абмежаванні фізічна інфармаваных нейронных сетак на фарміраванні віхуры. Прэдпіс даступны на https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., and Perdikaris, P. Калі і чаму Pinns не трэніруецца: перспектыва нервовай датычнай ядра. J. Computer. фізіка. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., and Mahoney, MW Характарыстыкі магчымых рэжымаў адмовы ў фізічнай інфармацыйнай нейроннай сетках. 35 -я канферэнцыя па сістэмах нейроннай апрацоўкі інфармацыі Vol. 34, 26548–26560 (Neurips 2021).
Базір, С. і Сенакак, I. Крытычнае вывучэнне рэжымаў адмовы ў фізічных нейронных сетках. На форуме AIAA Scitech 2022 г. 2353 (ARK, 2022).
Карнакаў П., Літвінава С. і Кумутсакос П. Рашаючы фізічныя зваротныя праблемы шляхам аптымізацыі дыскрэтных страт: хуткае і дакладнае навучанне без нейронных сетак. працэс. Нацыянальная акадэмія навук. Навука. Nexus 3, PGAE005 (2024).
Gundersen OE Асноўныя прынцыпы ўзнаўляльнасці. Phil.Cross. Р. Шукер. A 379, 20200210 (2021).
Араматарыс Е і Пірсан А. Сістэматычныя агляды: агляд. Так. Дж. Сыход 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, and Rohde, K. Нейронныя сеткі, усведамляючы абмежаванне для праблемы з Рыманам. J. Computer. фізіка. 409, 109345 (2020).
Bezgin DA, Schmidt SJ і Adams Na, якія кіруюцца фізічна інфармаванымі абмежаванымі аб'ёмам, для некласічнага зніжэння ўдараў напружання. J. Computer. фізіка. 437, 110324 (2021).
Час паведамлення: верасня-29-2024