Благодаря ви, че посетихте Nature.com. Версията на браузъра, която използвате, има ограничена поддръжка на CSS. За най -добри резултати препоръчваме да използвате по -нова версия на вашия браузър (или режим на съвместимост на деактивиране в Internet Explorer). Междувременно, за да осигурим постоянна поддръжка, ние показваме сайта без стайлинг или JavaScript.
Едно от най -обещаващите приложения на машинното обучение в изчислителната физика е ускореното решение на частичните диференциални уравнения (PDE). Основната цел на частично разтворимото на диференциално уравнение, базирана на машинно обучение, е да се получат решения, които са достатъчно по-бързо от стандартните числени методи, за да служат като основно сравнение. Първо провеждаме систематичен преглед на литературата за машинно обучение за решаване на частични диференциални уравнения. От всички документи, отчитащи използването на ML за решаване на частични диференциални уравнения на течността и претендиране на превъзходство спрямо стандартните числени методи, ние идентифицирахме 79% (60/76) в сравнение със слабите базови линии. Второ, открихме доказателства за широко разпространени пристрастия към отчитане, особено при отчитане на резултатите и пристрастия към публикуването. Заключваме, че изследванията за машинно обучение за решаване на частични диференциални уравнения са прекалено оптимистични: слабите входни данни могат да доведат до прекалено положителни резултати, а отчитането на отклоненията може да доведе до недостатъчно отчитане на отрицателни резултати. В голяма степен тези проблеми изглежда са причинени от фактори, подобни на минали кризи за възпроизводимост: дискретност на изследователя и положителни пристрастия към резултатите. Призоваваме за културната промяна отдолу нагоре, за да се сведе до минимум предубеденото отчитане и структурната реформа отгоре надолу, за да се намалят извратените стимули за това.
Списъкът с автори и статии, генерирани от систематичния преглед, както и класификацията на всяка статия в случайната извадка, е публично достъпен на https://doi.org/10.17605/osf.io/gq5b3 (ref. 124).
Кодът, необходим за възпроизвеждането на резултатите в таблица 2, може да бъде намерен в GitHub: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (ref. 125) и на код океан: https://codeocean.com/capsule/9605539/ Дърво/ v1 (връзка 126) и https://codeocean.com/capsule/0799002/tree/v1 (връзка 127).
Randall, D. и Welser, K., Кризата на необосновността в съвременната наука: причини, последици и пътища за реформа (Национална асоциация на учени, 2018).
Ritchie, S. Science Fiction: Как измама, пристрастие, тишина и свръх подкопават търсенето на истината (реколта, 2020 г.).
Отворено научно сътрудничество. Оценка на възпроизводимостта в психологическата наука. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., and Asadullah, K. Believe it or not: How much can we rely on published data on potential drug targets? Nat. Преподобни „Откриването на наркотици“. 10, 712 (2011).
Begley, KG и Ellis, стандарти за повишаване на LM в предклиничните изследвания на рака. Nature 483, 531–533 (2012).
А. Гелман и Е. Локен, Градината на пътеките за разклоняване: Защо множество сравнения са проблем дори без „риболовни експедиции“ или „P-Hacks“ и предварително формирани изследователски хипотези, кн. 348, 1–17 (Department of Statistics, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. и Shi, D. Машинно обучение в търсене на нова фундаментална физика. Нат. Доктор по философия по физика. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM и Ahsan MJ. Машинно обучение при откриване на наркотици: преглед. Atif. Intel. Изд. 55, 1947–1999 (2022).
Mather, As и Coote, ML Дълбоко обучение в химията. J.Chemistry. уведомяване. Модел. 59, 2545–2559 (2019).
Rajkomar A., Dean J. и Kohan I. Машинно обучение по медицина. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts Me. и Stewart BM Machine Learning in Social Sciences: агностичен подход. Преподобна Ан Бал. science. 24, 395–419 (2021).
Jump, J. et al. Направете високо точни прогнози на протеиновата структура, като използвате Alphafold. Природа 596, 583–589 (2021).
Gundersen, Oe, Coakley, K., Kirkpatrick, K. и Gil, Y. Източници на невъзстановяване в машинното обучение: преглед. Предварително на разположение на https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. и Rahimi, A. Проклятие на победител? Относно скоростта, напредъка и строгостта на емпиричните доказателства (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. и Zobel, J. Неадитивни подобрения: предварителни резултати от търсенето от 1998 г. 18-та конференция на ACM за управление на информация и знания 601–610 (ACM 2009).
Kapoor, S. и Narayanan, A. Кризи за изтичане и възпроизводимост в науката, базирана на машинното обучение. Patterns, 4, 100804 (2023).
Kapoor S. et al. Реформа: Стандарти за научно отчитане, основани на машинното обучение. Preprint available at https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C. и Recht, B. Безсмислените сравнения могат да доведат до фалшив оптимизъм в медицинското машинно обучение. PLOS ONE 12, E0184604 (2017).
Roberts, M., et al. Общи клопки и най-добри практики за използване на машинно обучение за откриване и прогнозиране на Covid-19 от рентгенови лъчи на гърдите и компютърна томография. Нат. Макс. Intel. 3, 199–217 (2021).
Winantz L. et al. Прогнозни модели за диагнозата и прогнозата на Covid-19: Систематичен преглед и критична оценка. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS и Pollard KS, преодолявайки клопките на използването на машинно обучение в геномиката. Нат. Пастор Джинет. 23, 169–181 (2022).
Atris N. et al. Best practices for machine learning in chemistry. Нат. Химически. 13, 505–508 (2021).
Brunton SL и Kutz JN Обещаващи указания за машинно изучаване на частични диференциални уравнения. Нат. Изчислете. Наука. 4, 483–494 (2024).
Vinuesa, R. и Brunton, SL подобрява динамиката на изчислителната течност чрез машинно обучение. Нат. Изчислете. Наука. 2, 358–366 (2022).
Comeau, S. et al. Научно машинно обучение с физически информирани невронни мрежи: Къде сме сега и какво следва. J. Science. Изчислете. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. и Xiao, H. Turbulence моделиране в ерата на данните. Ревизирано издание на Ан. 51, 357–377 (2019).
Mishra, S. Рамка за машинно обучение за ускоряване на изчисленията, управлявани от данни на диференциални уравнения. математика. инженер. https://doi.org/10.3934/mine.2018.1.118 (2018).
Кочиков Д. и др. Машинно обучение - ускоряване на изчислителната динамика на течността. процес. Национална академия на науките. Наука. US 118, E2101784118 (2021).
Kadapa, K. Машинно обучение за компютърни науки и инженерство - кратко въведение и някои ключови проблеми. Предварително на разположение на https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., and Zanna, L. Сравнителен анализ на параметризацията на океанския океан за машинно обучение в идеализирани модели. J.Adv. Модел. Земна система. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., и Brandstetter, J. PDE Ифинансиране: Постигане на точни дълги екструзии с невронна PDE решаване. 37th Conference on Neural Information Processing Systems (NeurIPS 2023).
Frachas, Pr et al. Алгоритъм за обратно разпространение и изчисляване на резервоара в повтарящи се невронни мрежи за прогнозиране на сложна пространствено -временна динамика. невронна мрежа. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. and Karniadakis, GE Physics, Computer Science, Neural Networks: рамка за дълбоко обучение за решаване на напред и обратни проблеми, включващи нелинейни частични диференциални уравнения. J. Computer. Физика. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. и Schönlieb, K.-B. Могат ли невронните мрежи, базирани на физиката, да превъзхождат методите на крайните елементи? IMA J. Приложения. математика. 89, 143–174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M. и Gómez-Romero, J. Невронни мрежи, базирани на физика, за моделиране, управлявано от данни: предимства, ограничения и възможности. physics. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Емпиричен доклад за невронните мрежи, базирани на физиката, в моделирането на течности: клопки и разочарования. Предварително на разположение на https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. и Barba, LA предсказуеми ограничения на физически информирани невронни мрежи при формиране на вихър. Предварително на разположение на https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. и Perdikaris, P. Кога и защо Pinns не успяват да тренират: перспектива на невронното допиращо ядро. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., и Mahoney, MW характеристики на възможните режими на отказ в невронните мрежи за физическа информация. 35th Conference on Neural Information Processing Systems Vol. 34, 26548–26560 (Neurips 2021).
Basir, S. и Senokak, I. Критично проучване на режимите на отказ в невронните мрежи, базирани на физиката. В AIAA Scitech 2022 Форум 2353 (Ark, 2022).
Karnakov P., Litvinov S. и Koumoutsakos P. Решаване на физически обратни проблеми чрез оптимизиране на дискретни загуби: бързо и точно обучение без невронни мрежи. процес. National Academy of Sciences. science. Nexus 3, PGAE005 (2024).
Gundersen OE Основни принципи на възпроизводимост. Phil.Cross. Р. Шукер. A 379, 20200210 (2021).
Aromataris E и Pearson A. Систематични прегледи: преглед. Да. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS и Rohde, K. Невронни мрежи за ограничаване на невронните мрежи за проблема с Riemann. J. Computer. Физика. 409, 109345 (2020).
Bezgin DA, Schmidt SJ и Adams NA Data, управлявани физически информирана схема за ограничен обем за некласически намалени удари на напрежението. J. Computer. Физика. 437, 110324 (2021).
Време за публикация: септември-29-2024