Gràcies per visitar Nature.com. La versió del navegador que utilitzeu té un suport CSS limitat. Per obtenir els millors resultats, us recomanem que utilitzeu una versió més recent del vostre navegador (o desactiveu el mode de compatibilitat a Internet Explorer). Mentrestant, per assegurar el suport continuat, mostrem el lloc sense dissenyar ni JavaScript.
Una de les aplicacions més prometedores de l’aprenentatge automàtic en física computacional és la solució accelerada d’equacions diferencials parcials (PDE). L’objectiu principal d’un solucionador d’equacions diferencials parcials basat en l’aprenentatge de màquines és produir solucions prou precises que els mètodes numèrics estàndard per servir de comparació de referència. Primer realitzem una revisió sistemàtica de la literatura d’aprenentatge automàtic sobre la resolució d’equacions diferencials parcials. De tots els treballs que informen de l’ús de ML per resoldre equacions diferencials parcials de fluids i reclamant la superioritat sobre els mètodes numèrics estàndard, es va identificar el 79% (60/76) en comparació amb les línies bàsiques febles. En segon lloc, es van trobar evidències de biaix de reportatge generalitzat, particularment en els informes de resultats i el biaix de publicacions. Arribem a la conclusió que la investigació d’aprenentatge automàtic sobre la resolució d’equacions diferencials parcials és massa optimista: les dades d’entrada febles poden comportar resultats excessivament positius i que el biaix d’informació pot comportar un subreport de resultats negatius. En gran part, aquests problemes semblen ser causats per factors similars a les crisis de reproductibilitat passades: discreció dels investigadors i biaix de resultats positius. Demanem un canvi cultural de baix a dalt per minimitzar els informes esbiaixats i la reforma estructural de dalt a baix per reduir els incentius perversos per fer-ho.
La llista d’autors i articles generats per la revisió sistemàtica, així com la classificació de cada article de la mostra aleatòria, està disponible públicament a https://doi.org/10.17605/osf.io/gq5b3 (Ref. 124).
El codi necessari per reproduir els resultats de la taula 2 es pot trobar a GitHub: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (Ref. 125) i a Code Ocean: https://codeocean.com/capsule/9605539/ Arbre/ v1 (enllaç 126) i https://codeocean.com/capsule/0799002/tree/v1 (enllaç 127).
Randall, D., i Welser, K., La crisi d’irreproducibilitat en la ciència moderna: causes, conseqüències i vies de reforma (Associació Nacional de Científics, 2018).
Ritchie, S. Science Fiction: com el frau, el biaix, el silenci i el bombo minen la recerca de la veritat (Vintage, 2020).
Col·laboració científica oberta. Avaluació de la reproductibilitat en ciències psicològiques. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. i Asadullah, K. Creieu o no: Quant podem confiar en dades publicades sobre objectius potencials de medicaments? Nat. Rev. "El descobriment de les drogues". 10, 712 (2011).
Begley, KG i Ellis, LM Gaudint estàndards en la investigació preclínica del càncer. Nature 483, 531–533 (2012).
A. Gelman i E. Loken, The Garden of Forking Paths: Per què múltiples comparacions són un problema fins i tot sense “expedicions de pesca” o “phacks p” i hipòtesis de recerca preformada, vol. 348, 1–17 (Departament d’Estadística, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., i Shi, D. Aprenentatge automàtic a la recerca de la nova física fonamental. Nat. Doctor en filosofia en física. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM i Ahsan MJ. Aprenentatge automàtic en descobriment de drogues: una revisió. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, As i Coote, Ml Deep Learning in Chemistry. J.Chemistry. notificar -ho. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. i Kohan I. Aprenentatge automàtic en medicina. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts Me. i l’aprenentatge de màquines de Stewart BM en ciències socials: un enfocament agnòstic. Rev. Ann Ball. Ciència. 24, 395–419 (2021).
Jump, J. et al. Feu prediccions d’estructura de proteïnes altament precises mitjançant Alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., i Gil, Y. Fonts d’Irreproducibilitat en l’aprenentatge automàtic: una revisió. Preimació disponible a https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., i Rahimi, A. Winner's Curse? Sobre la velocitat, el progrés i el rigor de les evidències empíriques (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., i Zobel, J. Millors no additius: resultats de cerca preliminars des de 1998. 18a Conferència ACM sobre informació i gestió del coneixement 601–610 (ACM 2009).
Kapoor, S. i Narayanan, A. Les crisis de fuites i reproductibilitat en ciències basades en l'aprenentatge automàtic. Patrons, 4, 100804 (2023).
Kapoor S. et al. Reforma: Normes d’informació científica basades en l’aprenentatge automàtic. Preimació disponible a https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C., i Recht, B. Les comparacions sense sentit poden conduir a un fals optimisme en l’aprenentatge de màquines mèdiques. PLOS ONE 12, E0184604 (2017).
Roberts, M., et al. Interruptors comuns i bones pràctiques per utilitzar l'aprenentatge automàtic per detectar i predir COVID-19 de raigs X de tòrax i tomografia computada. Nat. Màxim. Intel. 3, 199–217 (2021).
Winantz L. et al. Models predictius per al diagnòstic i el pronòstic de COVID-19: una revisió sistemàtica i una valoració crítica. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS i Pollard KS superant els entrebancs de l'ús de l'aprenentatge automàtic en genòmica. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Bones pràctiques per a l’aprenentatge automàtic en química. Nat. Químic. 13, 505–508 (2021).
Brunton SL i Kutz JN Direccions prometedores per a l'aprenentatge automàtic d'equacions diferencials parcials. Nat. calcular. Ciència. 4, 483–494 (2024).
Vinuesa, R. i Brunton, SL Millora de la dinàmica de fluids computacionals mitjançant l’aprenentatge automàtic. Nat. calcular. Ciència. 2, 358–366 (2022).
Comeau, S. et al. Aprenentatge de màquines científiques amb xarxes neuronals informades físicament: on som ara i què hi ha a continuació. J. Science. calcular. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., i Xiao, H. Modelització de turbulències en l'era de dades. Edició revisada d'Ann. 51, 357–377 (2019).
Durran, Mètodes numèrics de DR per resoldre les equacions d’ones en hidrodinàmica geofísica, vol. 32 (Springer, 2013).
Mishra, S. Un marc d’aprenentatge automàtic per accelerar el càlcul basat en dades d’equacions diferencials. Matemàtiques. Enginyer. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et al. Aprenentatge automàtic: acceleració de la dinàmica de fluids computacionals. procés. Acadèmia Nacional de Ciències. Ciència. EUA 118, E2101784118 (2021).
Kadapa, K. Aprenentatge de màquines per a informàtica i enginyeria: una breu introducció i alguns problemes clau. Preimació disponible a https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., i Zanna, L. Anàlisi comparativa de la parametrizació de subgrid de l’aprenentatge de màquines en models idealitzats. J.Adv. Model. Sistema de la Terra. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., i Brandstetter, J. PDE Refinement: aconseguir extrusions llargues precises amb un solucionador de PDE neural. 37a Conferència sobre Sistemes de Processament d'Informació Neural (Neurips 2023).
Frachas, Pr et al. L’algoritme de backpropagació i el càlcul d’embassaments en xarxes neuronals recurrents per predir la dinàmica espatiotemporal complexa. Xarxa neuronal. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. i Karniadakis, GE Physics, Informàtica, xarxes neuronals: un marc d’aprenentatge profund per resoldre problemes endavant i inversors que impliquen equacions diferencials parcials no lineals. J. ordinador. Física. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., i Schönlieb, K.-B. Les xarxes neuronals basades en la física poden superar els mètodes d’elements finits? IMA J. Aplicacions. Matemàtiques. 89, 143–174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M., i Gómez-Romero, J. Networks neuronals basats en la física per a la modelització basada en dades: avantatges, limitacions i oportunitats. Física. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA, un informe empíric sobre xarxes neuronals basades en la física en modelatge de fluids: entrebancs i decepcions. Preimació disponible a https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. i Barba, LA Limitacions predictives de les xarxes neuronals informades físicament sobre la formació de vòrtex. Preimació disponible a https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. i Perdikaris, P. Quan i per què els pinns no s’entrenen: una perspectiva del nucli tangent neural. J. ordinador. Física. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. i Mahoney, MW Característiques dels possibles modes de fracàs en les xarxes neuronals d'informació física. 35a Conferència sobre Sistemes de Processament de la Informació Neural Vol. 34, 26548–26560 (Neurips 2021).
Basir, S. i Senokak, I. Un estudi crític dels modes de fracàs a les xarxes neuronals basades en la física. Al AIAA SciTech 2022 Forum 2353 (Ark, 2022).
Karnakov P., Litvinov S. i Koumoutsakos P. Resolució de problemes inversos físics optimitzant pèrdues discretes: aprenentatge ràpid i precís sense xarxes neuronals. procés. Acadèmia Nacional de Ciències. Ciència. Nexus 3, PGAE005 (2024).
Gundersen OE Principis bàsics de reproductibilitat. Phil.Cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E i Pearson A. Ressenyes sistemàtiques: una visió general. Sí. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS i Rohde, K. Xarxes neuronals conscients de restricció per al problema de Riemann. J. ordinador. Física. 409, 109345 (2020).
Bezgin DA, Schmidt SJ i Adams Circuit de volum finit basat en dades basat en dades per a xocs de tensió reduïts no clàssics. J. ordinador. Física. 437, 110324 (2021).
Posada de temps: set del 29-2024