Hvala vam što ste posjetili prirodu.com. Verzija pretraživača koju koristite ima ograničenu podršku CSS-a. Za najbolje rezultate, preporučujemo da koristite noviju verziju vašeg pretraživača (ili onemogućite režim kompatibilnosti u Internet Exploreru). U međuvremenu, kako bi se osigurala stalna podrška, mi prikazujemo web mjesto bez oblikovanja ili JavaScript-a.
Jedna od najperspektivnijih aplikacija za mašinsko učenje u računarskoj fizici je ubrzano rješenje djelomičnih diferencijalnih jednadžbi (PDES). Glavni cilj strojnog djelomičnog rješenja zasnovane na učenjem zasnovanim na uređaju je za proizvodnju rješenja koja su dovoljno tačna brže od standardnih numeričkih metoda za posluživanje kao osnovna usporedba. Prvo vodimo sistematski pregled literature za učenje mašine na rješavanju djelomičnih diferencijalnih jednačina. Od svih radova koji izvještavaju o korištenju ML-a za rješavanje parnih djelomičnih diferencijalnih jednadžbi i tvrdeći superiornost nad standardnim numeričkim metodama, identificirali smo 79% (60/76) u odnosu na slabe osnovne osnove. Drugo, pronašli smo dokaze o široko rasprostranjenoj pristranosti izveštavanja, posebno u ishodu izveštavanja i pristranosti publikacije. Zaključujemo da je istraživanje mašina za učenje o rješavanju djelomičnih diferencijalnih jednadžbi pretjerano optimistično: slabi unosni podaci mogu dovesti do pretjerano pozitivnih rezultata, a pristranost izvještavanja može dovesti do nedovoljne negativne rezultate. U velikom dijelu, čini se da su ti problemi uzrokovani faktorima sličnim krizama popriličnoj obnovljivosti: diskrecija istražitelja i pozitivna ishod pristranost. Nazivamo kulturnu promjenu odozdo prema gore kako bi se minimizirala pristrana izveštava i vrhunska strukturna reforma za smanjenje perverznih poticaja za to.
Popis autora i članaka koji nastaje sistematski pregled, kao i klasifikacija svakog članka u slučajnom uzorku, javno je dostupna na https://doi.org/10.17605/osf.io/gq5b3 (ref. 124).
Kod potreban za reprodukciju rezultata u tablici 2 možete pronaći na Github: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (ref. 125) i kod koda okeana: https://codeocean.com/capsule/9605539/ Drvo / V1 (LINK 126) i https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Randall, D. i Welser, K., kriza nereproduktivnosti u modernim naukama: uzroci, posljedice i puteve za reformu (Nacionalno udruženje naučnika, 2018.).
Ritchie, S. naučna fantastika: Kako prevara, pristranost, tišina i hiperi podružavaju potragu za istinom (Vintage, 2020).
Otvorena naučna saradnja. Procjena reproduktivnosti u psihološkoj nauci. Nauka 349, AAAC4716 (2015).
Prinz, F., Schlange, T. i Asadullah, K. Vjerujte ili ne: Koliko se možemo osloniti na objavljene podatke o potencijalnim ciljevima lijekova? Nat. Rev. "Otkrivanje droge." 10, 712 (2011).
Begley, KG i Ellis, LM postavljanje standarda u prekliničkom istraživanju raka. Priroda 483, 531-533 (2012).
A. Gelman i E. LOKEN, Vrt staza za viđenje: Zašto su višestruki usporedbe problem čak i bez "ribolovnih ekspedicija" ili "p-hakova" i preformiranih istraživačkih hipoteza, vol. 348, 1-17 (Odjel za statistiku, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. i Shi, D. Machine učenje u potrazi za novom osnovnom fizikom. Nat. Doktor filozofije u fizici. 4, 399-412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM i Ahsan MJ. Mašinsko učenje u Discoverysu droga: pregled. ATIF. Intel. Ed. 55, 1947-1999 (2022).
Mather, AS i Coote, ML Duboko učenje u hemiji. J.Chemistry. Obavijesti. Model. 59, 2545-2559 (2019).
Rajkomar A., Dean J. i Kohan I. Machine učenje u medicini. Nova Engleska časopis za medicinu. 380, 1347-1358 (2019).
Grimmer J, Roberts me. i Stewart BM mašine učenje u društvenim naukama: agnostički pristup. Rev. Ann Ball. Nauka. 24, 395-419 (2021).
Skok, J. et al. Izvršite vrlo precizne predviđanja strukture proteina pomoću ALPAFAFOLD-a. Priroda 596, 583-589 (2021).
Gundersen, Oe, Coakley, K., Kirkpatrick, K. i Gil, Y. Izvori nereproduktivnosti u mašinskom učenju: pregled. Preprint Dostupan na https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. i Rahimi, A. Prokletstvo pobednika? O brzini, napretku i strogim empirijskim dokazima (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. i Zobel, J. Poboljšanja neaditive: Preliminarni rezultati pretraživanja od 1998. godine 18. ACM konferencija o informisam i upravljanju znanjem 601-610 (ACM 2009).
Kapoor, S. i Narayanan, A. Krize propuštanja i reproduktivnosti u nauci sa strojnim učenjem. Obrasci, 4, 100804 (2023).
Kapoor S. et al. Reforma: Standardi naučnog izveštavanja na osnovu mašinskog učenja. Preprint Dostupan na https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cord, C. i Recht, B. Besmislene usporedbe mogu dovesti do lažnog optimizma u medicinskoj mašini. Plos One 12, E0184604 (2017).
Roberts, M., i dr. Uobičajene zamke i najbolje prakse za korištenje mašinske učenje za otkrivanje i predviđanje HID-19 sa rendgenskih zraka u grudima i izračunatoj tomografiji. Nat. Maks. Intel. 3, 199-217 (2021).
Winantz L. et al. Prediktivni modeli za dijagnozu i prognozu CoviD-19: sistematski pregled i kritička procjena. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS i Pollard KS prevladavajući zamke upotrebe mašinskog učenja u genomiji. Nat. Pastor Ginette. 23, 169-181 (2022).
ATRIS N. i dr. Najbolje prakse za mašinsko učenje u hemiji. Nat. Hemikalija. 13, 505-508 (2021).
Brunton SL i Kutz JN obećavajući uputstva za mašinsko učenje djelomičnih diferencijalnih jednadžbi. Nat. Izračunajte. Nauka. 4, 483-494 (2024).
Vinuesa, R. i Brunton, SL poboljšavajući dinamiku računarske tečnosti putem mašinskog učenja. Nat. Izračunajte. Nauka. 2, 358-366 (2022).
Comeau, S. et al. Naučni stroj učenje s fizički informiranim neuronskim mrežama: gdje smo sada i što slijedi. J. Nauka. Izračunajte. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. i Xiao, H. Modeliranje turbulencija u doba podataka. Revidirano izdanje Ann. 51, 357-377 (2019).
Durran, dr Numeričke metode za rješavanje valnih jednadžbi u geofizičkoj hidrodinamici, vol. 32 (Springer, 2013).
Mishra, S. Okvir za mašinsko učenje za ubrzanje izračunavanja diferencijala diferencijala. Matematika. Inženjer. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. i dr. Mašinsko učenje - ubrzanje dinamike računarske tečnosti. Proces. Nacionalna akademija nauka. Nauka. SAD 118, E2101784118 (2021).
KADAPA, K. Strojno učenje za računarske nauke i inženjering - kratak uvod i neka ključna pitanja. Preprint Dostupan na https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. i Zanna, L. Uporedna analiza mašinske učenje ocean subgrid parametrizacija u idealnim modelima. J.ADV. Model. Zemljinski sistem. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. i Brandstetter, J. PDE POVRATAK: Postizanje preciznih dugačkih ekstruzija sa neuronskim PDE solverom. 37. konferencija o neuronskim sistemima za obradu informacija (Neurips 2023).
Frachas, PR et al. Izračun algoritma i rezervoara za povratne rezervoare u ponavljajućim neuronskim mrežama za predviđanje složene SpaTiotermomporalne dinamike. Neuralna mreža. 126, 191-217 (2020).
Raissi, M., Perdikaris, P. i Karniadakis, GE Fizika, računarska nauka, neuronske mreže: dubok okvir za učenje za rješavanje naprednih i obrnutog problema koji uključuju nelinearne djelomične diferencijalne jednadžbe. J. računar. Fizika. 378, 686-707 (2019).
Grossmann, TG, Komorowska, Uj, Lutz, J. i Schönlieb, K.-B. Mogu li neuronske mreže sa sjedištem u fizici nadmašuju metode konačnih elemenata? Ima J. Applications. Matematika. 89, 143-174 (2024).
De la Mata, FF, Gijon, A., Molina-Solana, M. i Gómez-Romero, J. Neuralne mreže zasnovane na fizici za modeliranje pogonskih podataka: Prednosti, ograničenja i mogućnosti. Fizika. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Empirijsko izvješće o neuronskim mrežama zasnovanim na fizikama u modeliranju tečnosti: zamke i razočaranja. Preprint Dostupan na https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. i Barba, la prediktivna ograničenja fizički informiranih neuronskih mreža na Vortex formaciji. Preprint Dostupan na https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. i Perdikaris, P. Kada i zašto Pinns ne uspijevaju trenirati: neuralna tangentna nukleusova perspektiva. J. računar. Fizika. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. i Mahoney, MW karakteristike mogućih načina kvara u fizičkim informacijama neuronske mreže. 35. konferencija o neuronskim sistemima za obradu informacija Vol. 34, 26548-26560 (Neurips 2021).
Basir, S. i Senokak, I. Kritično istraživanje načina neuspjeha u neuronskim mrežama zasnovanim na fizikama. U AIAA SCITECH 2022 Forum 2353 (Ark, 2022).
Karnakov P., Litvinov S. i Koumoutsakos P. Rešavanje fizičkih inverzija Optimizacija diskretnih gubitaka: brzo i precizno učenje bez neuronskih mreža. Proces. Nacionalna akademija nauka. Nauka. Nexus 3, PGAE005 (2024).
Gundersen OE osnovni principi reproducibilnosti. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E i Pearson A. Sistematski recenzije: Pregled. Da. J. Sestrinstvo 114, 53-58 (2014).
Magiera, J., Ray, D., Hesthaven, JS i Rohde, K. Ograničene neuronske mreže za problem Riemann. J. računar. Fizika. 409, 109345 (2020).
Bezgin da, Schmidt SJ i ADAMS NA Podaci vođeni na podatak Fizički informirani krug za jačinu zvuka za neklasične snižene naponske udare. J. računar. Fizika. 437, 110324 (2021).
Vrijeme objavljivanja: sep-29-2024