Diolch am ymweld â natur.com. Mae gan y fersiwn o'r porwr rydych chi'n ei ddefnyddio gefnogaeth CSS gyfyngedig. I gael y canlyniadau gorau, rydym yn argymell eich bod yn defnyddio fersiwn mwy newydd o'ch porwr (neu'n analluogi modd cydnawsedd yn Internet Explorer). Yn y cyfamser, er mwyn sicrhau cefnogaeth barhaus, rydym yn dangos y wefan heb steilio na JavaScript.
Un o'r cymwysiadau mwyaf addawol o ddysgu peiriannau mewn ffiseg gyfrifiadol yw datrysiad carlam hafaliadau gwahaniaethol rhannol (PDEs). Prif nod datryswr hafaliad gwahaniaethol rhannol sy'n seiliedig ar ddysgu peiriant yw cynhyrchu datrysiadau sy'n ddigon cywir yn gyflymach na dulliau rhifiadol safonol i wasanaethu fel cymhariaeth sylfaenol. Yn gyntaf, rydym yn cynnal adolygiad systematig o'r llenyddiaeth dysgu peiriannau ar ddatrys hafaliadau gwahaniaethol rhannol. O'r holl bapurau sy'n adrodd am ddefnyddio ML i ddatrys hafaliadau gwahaniaethol rhannol hylif a hawlio rhagoriaeth dros ddulliau rhifiadol safonol, gwnaethom nodi 79% (60/76) o gymharu â llinellau sylfaen gwan. Yn ail, gwelsom dystiolaeth o ragfarn riportio eang, yn enwedig o ran adrodd ar ganlyniadau a thuedd cyhoeddi. Rydym yn dod i'r casgliad bod ymchwil dysgu peiriannau ar ddatrys hafaliadau gwahaniaethol rhannol yn rhy optimistaidd: gall data mewnbwn gwan arwain at ganlyniadau rhy gadarnhaol, a gall riportio gogwydd arwain at dan -adrodd canlyniadau negyddol. I raddau helaeth, mae'n ymddangos bod y problemau hyn yn cael eu hachosi gan ffactorau tebyg i argyfyngau atgynyrchioldeb yn y gorffennol: disgresiwn ymchwilwyr a thuedd canlyniad cadarnhaol. Rydym yn galw am newid diwylliannol o'r gwaelod i fyny i leihau adroddiadau rhagfarnllyd a diwygio strwythurol o'r brig i lawr i leihau cymhellion gwrthnysig i wneud hynny.
Mae'r rhestr o awduron ac erthyglau a gynhyrchir gan yr adolygiad systematig, yn ogystal â dosbarthiad pob erthygl yn y sampl ar hap, ar gael i'r cyhoedd yn https://doi.org/10.17605/osf.io/gq5b3 (cyf. 124).
Gellir gweld y cod sydd ei angen i atgynhyrchu'r canlyniadau yn Nhabl 2 ar GitHub: https://github.com/nickmcgreivy/weakbaselylesmlpde/ (cyf. 125) ac ar god cefnfor: https://codeocean.com/capsule/960555539/ Coeden/ v1 (dolen 126) a https://codeocean.com/capsule/0799002/tree/v1 (dolen 127).
Randall, D., a Welser, K., Yr argyfwng amhriodoldeb mewn gwyddoniaeth fodern: achosion, canlyniadau, a llwybrau ar gyfer diwygio (Cymdeithas Genedlaethol y Gwyddonwyr, 2018).
Ritchie, S. Ffuglen Wyddoniaeth: Sut mae twyll, rhagfarn, distawrwydd a hype yn tanseilio'r chwilio am wirionedd (vintage, 2020).
Cydweithrediad gwyddonol agored. Asesu atgynyrchioldeb mewn gwyddoniaeth seicolegol. Gwyddoniaeth 349, AAAC4716 (2015).
Prinz, F., Schlange, T., ac Asadullah, K. Credwch neu beidio: Faint allwn ni ddibynnu ar ddata cyhoeddedig ar dargedau cyffuriau posibl? Nat. Parch. “Darganfyddiad Cyffuriau.” 10, 712 (2011).
Begley, KG ac Ellis, LM yn codi safonau mewn ymchwil canser preclinical. Natur 483, 531–533 (2012).
A. Gelman ac E. Loken, The Garden of Forking Paths: Pam mae cymariaethau lluosog yn broblem hyd yn oed heb “alldeithiau pysgota” na “p-hacks” a rhagdybiaethau ymchwil preform, cyf. 348, 1–17 (Adran Ystadegau, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., a Shi, D. Dysgu peiriant i chwilio am ffiseg sylfaenol newydd. Nat. Meddyg Athroniaeth mewn Ffiseg. 4, 399–412 (2022).
Dara S, Damerchcherla S, Jadhav SS, Babu CM ac Ahsan MJ. Dysgu Peiriant mewn Darganfod Cyffuriau: Adolygiad. Atif. Intel. Gol. 55, 1947–1999 (2022).
Mather, As a Coote, ML Dysgu Dwfn mewn Cemeg. J.Chemistry. hysbysu. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. a Kohan I. Dysgu peiriant mewn meddygaeth. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. a Stewart BM Machine Learning in Social Sciences: Dull Agnostig. Parch Ann Ball. Gwyddoniaeth. 24, 395–419 (2021).
JUMP, J. et al. Gwneud rhagfynegiadau strwythur protein cywir iawn gan ddefnyddio wyddor. Natur 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., a Gil, Y. Ffynonellau amhriodoldeb mewn dysgu peiriannau: adolygiad. Preprint ar gael yn https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., a Rahimi, A. Melltith enillydd? Ar gyflymder, cynnydd a thrylwyredd tystiolaeth empeiraidd (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., a Zobel, J. Gwelliannau di-ychwanegiad: Canlyniadau chwilio rhagarweiniol er 1998. 18fed Cynhadledd ACM ar Reoli Gwybodaeth a Gwybodaeth 601-610 (ACM 2009).
Kapoor, S. a Narayanan, A. Argyfyngau gollwng ac atgynyrchioldeb mewn gwyddoniaeth sy'n seiliedig ar ddysgu peiriannau. Patrymau, 4, 100804 (2023).
Kapoor S. et al. Diwygio: Safonau adrodd gwyddonol yn seiliedig ar ddysgu peiriannau. Preprint ar gael yn https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C., a Recht, B. Gall cymariaethau diystyr arwain at optimistiaeth ffug wrth ddysgu peiriannau meddygol. PLoS One 12, E0184604 (2017).
Roberts, M., et al. Peryglon cyffredin ac arferion gorau ar gyfer defnyddio dysgu peiriant i ganfod a rhagfynegi Covid-19 o belydrau-X y frest a thomograffeg gyfrifedig. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Modelau Rhagfynegol ar gyfer Diagnosis a Prognosis COVID-19: Adolygiad systematig ac arfarniad beirniadol. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS a Pollard KS yn goresgyn y peryglon o ddefnyddio dysgu peiriant mewn genomeg. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Arferion gorau ar gyfer dysgu peiriannau mewn cemeg. Nat. Cemegol. 13, 505–508 (2021).
Brunton SL a Kutz JN Cyfarwyddiadau addo ar gyfer dysgu peiriant hafaliadau gwahaniaethol rhannol. Nat. cyfrifo. Gwyddoniaeth. 4, 483–494 (2024).
Vinuesa, R. a Brunton, SL Gwella Dynameg Hylif Cyfrifiadol trwy Ddysgu Peiriant. Nat. cyfrifo. Gwyddoniaeth. 2, 358–366 (2022).
Comeau, S. et al. Dysgu peiriannau gwyddonol gyda rhwydweithiau niwral gwybodus yn gorfforol: Lle rydyn ni nawr a beth sydd nesaf. J. Gwyddoniaeth. cyfrifo. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., a Xiao, H. Modelu cynnwrf yn yr oes ddata. Argraffiad diwygiedig o Ann. 51, 357–377 (2019).
Durran, Dr Rhifiadol Dulliau ar gyfer Datrys Hafaliadau Tonnau mewn Hydrodynameg Geoffisegol, Cyf. 32 (Springer, 2013).
Mishra, S. Fframwaith dysgu peiriant ar gyfer cyflymu cyfrifiant hafaliadau gwahaniaethol sy'n cael ei yrru gan ddata. Mathemateg. Peiriannydd. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et al. Dysgu Peiriant - Cyflymu Dynameg Hylif Cyfrifiadol. proses. Academi Genedlaethol y Gwyddorau. Gwyddoniaeth. UD 118, E2101784118 (2021).
Kadapa, K. Dysgu peiriant ar gyfer gwyddoniaeth gyfrifiadurol a pheirianneg - cyflwyniad byr a rhai materion allweddol. Preprint ar gael yn https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., a Zanna, L. Dadansoddiad cymharol o baramedroli isgrid cefnfor dysgu peiriant mewn modelau delfrydol. J.ADV. Model. System Ddaear. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., a Brandstetter, J. PDE Mireinio: Cyflawni allwthiadau hir cywir gyda datryswr PDE niwral. 37ain Cynhadledd ar Systemau Prosesu Gwybodaeth Niwclear (Neurips 2023).
Frachas, Pr et al. Algorithm backpropagation a chyfrifiad cronfa ddŵr mewn rhwydweithiau niwral cylchol ar gyfer darogan dynameg sbatotemporal cymhleth. rhwydwaith niwral. 126, 191–217 (2020).
Reissi, M., Perdikaris, P. a Karniadakis, GE Ffiseg, Cyfrifiadureg, Rhwydweithiau Niwclear: Fframwaith Dysgu Dwfn ar gyfer Datrys Ymlaen a Gwrthdroi Problemau sy'n Cynnwys Hafaliadau Gwahaniaethol Rhannol aflinol. J. Cyfrifiadur. Ffiseg. 378, 686-707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., a Schönlieb, K.-B. A all rhwydweithiau niwral sy'n seiliedig ar ffiseg berfformio'n well na dulliau elfen gyfyngedig? Ima J. Ceisiadau. Mathemateg. 89, 143–174 (2024).
De la Mata, FF, Gijon, A., Molina-Solana, M., a Gómez-Romero, J. Rhwydweithiau niwral sy'n seiliedig ar ffiseg ar gyfer modelu sy'n cael eu gyrru gan ddata: manteision, cyfyngiadau a chyfleoedd. Ffiseg. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Adroddiad empirig ar rwydweithiau niwral sy'n seiliedig ar ffiseg mewn modelu hylif: peryglon a siomedigaethau. Preprint ar gael yn https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. a Barba, La cyfyngiadau rhagfynegol rhwydweithiau niwral gwybodus yn gorfforol ar ffurfio fortecs. Preprint ar gael yn https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., a Perdikaris, P. Pryd a pham mae piniau'n methu â hyfforddi: persbectif niwclews tangiad niwral. J. Cyfrifiadur. Ffiseg. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., a Mahoney, MW Nodweddion dulliau methu posibl mewn rhwydweithiau niwral gwybodaeth gorfforol. 35ain Cynhadledd ar Systemau Prosesu Gwybodaeth Niwclear Cyf. 34, 26548–26560 (Neurips 2021).
Basir, S. a Senokak, I. Astudiaeth feirniadol o ddulliau methu mewn rhwydweithiau niwral sy'n seiliedig ar ffiseg. Yn Fforwm AIAA Scitech 2022 2353 (Ark, 2022).
Karnakov P., Litvinov S. a Koumoutsakos P. Datrys problemau gwrthdro corfforol trwy optimeiddio colledion arwahanol: dysgu cyflym a chywir heb rwydweithiau niwral. proses. Academi Genedlaethol y Gwyddorau. Gwyddoniaeth. Nexus 3, PGAE005 (2024).
GUNDERSEN OE Egwyddorion sylfaenol atgynyrchioldeb. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E a Pearson A. Adolygiadau systematig: trosolwg. Ie. J. Nyrsio 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, a Rohde, K. Rhwydweithiau niwral sy'n ymwybodol o gyfyngiadau ar gyfer problem Riemann. J. Cyfrifiadur. Ffiseg. 409, 109345 (2020).
Bezgin DA, Schmidt SJ ac Adams NA Cylchdaith Cyfrol Gyfyngedig Hysbysedig Corfforol ar gyfer Siociau Foltedd Llai An-Glasurol. J. Cyfrifiadur. Ffiseg. 437, 110324 (2021).
Amser Post: Medi-29-2024