Благодарим ви, че посетихте Nature.com. Версията на браузъра, която използвате, има ограничена CSS поддръжка. За най-добри резултати ви препоръчваме да използвате по-нова версия на браузъра си (или да деактивирате режима на съвместимост в Internet Explorer). Междувременно, за да осигурим постоянна поддръжка, показваме сайта без стилизиране или JavaScript.
Едно от най-обещаващите приложения на машинното обучение в компютърната физика е ускореното решаване на частни диференциални уравнения (ЧПУ). Основната цел на решавач на частни диференциални уравнения, базиран на машинно обучение, е да генерира решения, които са достатъчно точни, по-бързи от стандартните числени методи, за да служат като базова база за сравнение. Първо, ние провеждаме систематичен преглед на литературата за машинно обучение върху решаването на частни диференциални уравнения. От всички статии, докладващи използването на машинно обучение за решаване на флуидни частни диференциални уравнения и претендиращи за превъзходство над стандартните числени методи, ние идентифицирахме 79% (60/76) в сравнение със слаби базови нива. Второ, открихме доказателства за широко разпространени пристрастия в докладването, особено в докладването на резултатите и пристрастията в публикациите. Заключаваме, че изследванията в областта на машинното обучение върху решаването на частни диференциални уравнения са прекалено оптимистични: слабите входни данни могат да доведат до прекалено положителни резултати, а пристрастията в докладването могат да доведат до недостатъчно докладване на отрицателни резултати. В голяма степен тези проблеми изглежда са причинени от фактори, подобни на минали кризи на възпроизводимост: преценка на изследователя и пристрастия в положителните резултати. Призоваваме за културна промяна „отдолу нагоре“, за да се сведе до минимум пристрастното докладване, и структурна реформа „отгоре надолу“, за да се намалят перверзните 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 адрес https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124).
Кодът, необходим за възпроизвеждане на резултатите в Таблица 2, може да бъде намерен в GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) и в Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (линк 126) и https://codeocean.com/capsule/0799002/tree/v1 (линк 127).
Рандал, Д. и Уелсър, К., Кризата на невъзпроизводимостта в съвременната наука: причини, последици и пътища за реформа (Национална асоциация на учените, 2018 г.).
Ричи, С. Научна фантастика: Как измамите, пристрастията, мълчанието и свръхрекламата подкопават търсенето на истината (Vintage, 2020).
Отворено научно сътрудничество. Оценка на възпроизводимостта в психологическата наука. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. и Asadullah, K. Вярвате или не: Доколко можем да разчитаме на публикувани данни за потенциални лекарствени цели? Nat. Rev. „Откриването на лекарства.“ 10, 712 (2011).
Бегли, К. Г. и Елис, Л. М. Повишаване на стандартите в предклиничните изследвания на рака. Nature 483, 531–533 (2012).
А. Гелман и Е. Локен, Градината на разклоняващите се пътеки: Защо множествените сравнения са проблем дори без „риболовни експедиции“ или „p-hacks“ и предварително сформирани изследователски хипотези, том 348, 1–17 (Министерство на статистиката, 2013 г.).
Караджорджи, Г., Касецка, Г., Кравиц, С., Нахман, Б. и Ши, Д. Машинно обучение в търсене на нова фундаментална физика. Национален доктор по философия по физика. 4, 399–412 (2022).
Дара С, Дамерчерла С, Джадхав С.С., Бабу К.М. и Ахсан М.Дж. Машинно обучение в откриването на лекарства: преглед. Atif. Intel. Изд. 55, 1947–1999 (2022).
Mather, AS и Coote, ML Дълбоко обучение в химията. J.Chemistry. notify. Model. 59, 2545–2559 (2019).
Раджкомар А., Дийн Дж. и Кохан И. Машинно обучение в медицината. New England Journal of Medicine. 380, 1347–1358 (2019).
Гримър Дж., Робъртс М. Е. и Стюарт Б. М. Машинно обучение в социалните науки: агностичен подход. Преп. Ан Бол. science. 24, 395–419 (2021).
Jump, J. et al. Правете високоточни прогнози за протеиновата структура, използвайки alphafold. Nature 596, 583–589 (2021).
Гундерсен, О.Е., Коукли, К., Къркпатрик, К. и Гил, Й. Източници на невъзпроизводимост в машинното обучение: Преглед. Предпечат, достъпен на https://arxiv.org/abs/2204.07610 (2022).
Скъли, Д., Снук, Дж., Уилчко, А. и Рахими, А. Проклятието на победителя? Върху скоростта, напредъка и прецизността на емпиричните доказателства (ICLR, 2018).
Армстронг, Т. Г., Мофат, А., Уебър, У. и Зобел, Дж. Неадитивни подобрения: предварителни резултати от търсенето от 1998 г. насам. 18-та конференция на ACM за управление на информацията и знанията 601–610 (ACM 2009).
Капур, С. и Нараянан, А. Кризи на изтичане и възпроизводимост в науката, базирана на машинно обучение. Patterns, 4, 100804 (2023).
Капур С. и др. Реформа: стандарти за научно отчитане, базирани на машинно обучение. Предпечат, достъпен на 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).
Робъртс, М. и др. Често срещани капани и най-добри практики за използване на машинно обучение за откриване и прогнозиране на COVID-19 от рентгенови снимки на гръдния кош и компютърна томография. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Предсказващи модели за диагностика и прогноза на COVID-19: систематичен преглед и критична оценка. BMJ 369, m1328 (2020).
Уейлън С., Шрайбер Дж., Нобъл У.С. и Полард К.С. Преодоляване на капаните на използването на машинно обучение в геномиката. Nat. Pastor Ginette. 23, 169–181 (2022).
Атрис Н. и др. Най-добри практики за машинно обучение в химията. Nat. Chemical. 13, 505–508 (2021).
Брънтън С.Л. и Куц Дж.Н. Перспективни насоки за машинно обучение на частни диференциални уравнения. Nat. calculate. science. 4, 483–494 (2024).
Винуеса, Р. и Брънтън, С.Л. Подобряване на изчислителната динамика на флуидите чрез машинно обучение. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. et al. Научно машинно обучение с физически информирани невронни мрежи: Къде сме сега и какво следва. J. Science. calculate. 92, 88 (2022).
Дурайсами, К., Якарино, Г. и Сяо, Х. Моделиране на турбулентността в ерата на данните. Преработено издание на Ann. 51, 357–377 (2019).
Дюран, Д. Р. Числени методи за решаване на вълнови уравнения в геофизичната хидродинамика, том 32 (Springer, 2013).
Мишра, С. Рамка за машинно обучение за ускоряване на изчисленията на диференциални уравнения, базирани на данни. математика. инженер. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Кочиков Д. и др. Машинно обучение – ускорение на процеса на изчислителна динамика на флуидите. Национална академия на науките. science. US 118, e2101784118 (2021).
Кадапа, К. Машинно обучение за компютърни науки и инженерство – кратко въведение и някои ключови въпроси. Предпечат, достъпен на https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., и Zanna, L. Сравнителен анализ на параметризацията на океанската подмрежа чрез машинно обучение в идеализирани модели. J.Adv. Model. земна система. 15. e2022MS003258 (2023).
Липе, П., Вилинг, Б., Пердикарис, П., Търнър, Р. и Брандщетер, Й. Усъвършенстване на диференциални уравнения в частни производни: постигане на точни дълги екструзии с невронен решател на диференциални уравнения в частни производни. 37-ма конференция за системи за обработка на невронна информация (NeurIPS 2023).
Фрачас, П.Р. и др. Алгоритъм за обратно разпространение и изчисляване на резервоар в рекурентни невронни мрежи за прогнозиране на сложна пространствено-времева динамика. newronal network. 126, 191–217 (2020).
Райси, М., Пердикарис, П. и Карниадакис, Г. Е. Физика, компютърни науки, невронни мрежи: рамка за дълбоко обучение за решаване на директни и обратни задачи, включващи нелинейни диференциални уравнения с частни производни. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., и Schönlieb, K.-B. Могат ли невронните мрежи, базирани на физика, да превъзхождат методите с крайни елементи? IMA J. Applications. mathematics. 89, 143–174 (2024).
де ла Мата, Ф. Ф., Хихон, А., Молина-Солана, М. и Гомес-Ромеро, Дж. 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 невронни мрежи, базирани на физика, в моделирането на флуиди: капани и разочарования. Предпечат, достъпен на https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. и Barba, LA. Предсказващи ограничения на физически информирани невронни мрежи върху образуването на вихри. Предпечат, достъпен на https://arxiv.org/abs/2306.00230 (2023).
Уанг, С., Ю, Х. и Пердикарис, П. Кога и защо пините не успяват да се тренират: Перспектива на невронното тангентно ядро. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., и Mahoney, MW Характеристики на възможните режими на отказ във физически информационни невронни мрежи. 35-та конференция по системи за обработка на невронна информация, том 34, 26548–26560 (NeurIPS 2021).
Басир, С. и Сенокак, И. Критично изследване на режимите на отказ във физико-базирани невронни мрежи. В AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Карнаков П., Литвинов С. и Кумуцакос П. Решаване на физически обратни задачи чрез оптимизиране на дискретни загуби: бързо и точно обучение без невронни мрежи. процес. Национална академия на науките. science. Nexus 3, pgae005 (2024).
Гундерсен О.Е. Основни принципи на възпроизводимостта. Фил.крос. Р. Шукер. А 379, 20200210 (2021).
Aromataris E и Pearson A. Систематични прегледи: общ преглед. Yes. J. Nursing 114, 53–58 (2014).
Магиера, Дж., Рей, Д., Хестхейвън, Дж. С. и Роде, К. Невронни мрежи, съобразени с ограниченията, за проблема на Риман. J. Computer. physics. 409, 109345 (2020).
Безгин Д.А., Шмит С.Дж. и Адамс Н.А. Физически информирана схема с ограничен обем, управлявана от данни, за некласически удари с намалено напрежение. J. Computer. physics. 437, 110324 (2021).
Време на публикуване: 29 септември 2024 г.