Σας ευχαριστούμε που επισκεφθήκατε το Nature.com. Η έκδοση του προγράμματος περιήγησης που χρησιμοποιείτε έχει περιορισμένη υποστήριξη CSS. Για καλύτερα αποτελέσματα, συνιστούμε να χρησιμοποιήσετε μια νεότερη έκδοση του προγράμματος περιήγησής σας (ή να απενεργοποιήσετε τη λειτουργία συμβατότητας στο Internet Explorer). Εν τω μεταξύ, για να εξασφαλίσουμε συνεχή υποστήριξη, παρουσιάζουμε τον ιστότοπο χωρίς στυλ ή JavaScript.
Μία από τις πιο ελπιδοφόρες εφαρμογές της μηχανικής μάθησης στην υπολογιστική φυσική είναι η επιταχυνόμενη λύση μερικών διαφορικών εξισώσεων (PDEs). Ο κύριος στόχος ενός διαφορικού διαφορικού διαφορικού εξίσωσης με βάση τη μηχανική είναι η παραγωγή λύσεων που είναι αρκετά ακριβείς από τις τυποποιημένες αριθμητικές μεθόδους που χρησιμεύουν ως βασική σύγκριση. Πρώτα διεξάγουμε μια συστηματική ανασκόπηση της μηχανικής βιβλιογραφίας για την επίλυση μερικών διαφορικών εξισώσεων. Από όλα τα έγγραφα που αναφέρουν τη χρήση του ML για την επίλυση των μερικών διαφορικών εξισώσεων υγρού και την αξιοποίηση της υπεροχής έναντι των τυποποιημένων αριθμητικών μεθόδων, εντοπίσαμε το 79% (60/76) σε σύγκριση με τις αδύναμες γραμμές βάσης. Δεύτερον, βρήκαμε στοιχεία για την ευρεία προκατάληψη αναφοράς, ιδιαίτερα στην αναφορά των αποτελεσμάτων και τη μεροληψία δημοσίευσης. Καταλήγουμε στο συμπέρασμα ότι η έρευνα μηχανικής μάθησης για την επίλυση μερικών διαφορικών εξισώσεων είναι υπερβολικά αισιόδοξη: τα αδύναμα δεδομένα εισόδου μπορούν να οδηγήσουν σε υπερβολικά θετικά αποτελέσματα και η προκατάληψη της αναφοράς μπορεί να οδηγήσει σε ανεπαρκή αναφορά αρνητικών αποτελεσμάτων. Σε μεγάλο βαθμό, αυτά τα προβλήματα φαίνεται να προκαλούνται από παράγοντες παρόμοιους με τις προηγούμενες κρίσεις αναπαραγωγιμότητας: τη διακριτική ευχέρεια του ερευνητή και τη μεροληψία θετικής έκβασης. Ζητούμε την πολιτιστική αλλαγή από τη βάση προς τα πάνω για να ελαχιστοποιήσουμε την προκατειλημμένη αναφορά και τη δομική μεταρρύθμιση από την κορυφή προς τα κάτω για να μειώσουν τα διεστραμμένα κίνητρα για να το πράξουν.
Ο κατάλογος των συγγραφέων και των άρθρων που δημιουργείται από τη συστηματική ανασκόπηση, καθώς και η ταξινόμηση κάθε άρθρου στο τυχαίο δείγμα, είναι διαθέσιμη στο κοινό στη διεύθυνση https://doi.org/10.17605/osf.io/gq5b3 (Αναφ. 124).
Ο κώδικας που απαιτείται για την αναπαραγωγή των αποτελεσμάτων στον Πίνακα 2 μπορεί να βρεθεί στο GitHub: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (αναφορά 125) και στον κώδικα Ocean: https://codeocean.com/capsule/9605539/ Δέντρο/ v1 (σύνδεσμος 126) και https://codeocean.com/capsule/0799002/tree/v1 (σύνδεσμος 127).
Randall, D., and Welser, Κ., Η κρίση μη παραγωγικότητας στη σύγχρονη επιστήμη: Αιτίες, συνέπειες και μονοπάτια μεταρρύθμισης (Εθνική Ένωση Επιστημών, 2018).
Ritchie, S. Science Fiction: Πώς η απάτη, η προκατάληψη, η σιωπή και η διαφημιστική εκστρατεία υπονομεύουν την αναζήτηση της αλήθειας (Vintage, 2020).
Ανοιχτή επιστημονική συνεργασία. Αξιολόγηση της αναπαραγωγιμότητας στην ψυχολογική επιστήμη. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, Τ., Και Asadullah, Κ. Πιστέψτε το ή όχι: πόσο μπορούμε να βασιζόμαστε σε δημοσιευμένα δεδομένα σχετικά με τους πιθανούς στόχους φαρμάκων; Nat. Αναθ. "Η ανακάλυψη των ναρκωτικών". 10, 712 (2011).
Begley, KG και Ellis, LM αυξάνοντας τα πρότυπα στην προκλινική έρευνα για τον καρκίνο. Nature 483, 531-533 (2012).
Α. Gelman και E. Loken, Ο Κήπος των Διαδρομών διχάλων: Γιατί πολλαπλές συγκρίσεις είναι ένα πρόβλημα ακόμη και χωρίς "αποστολές αλιείας" ή "P-Hacks" και προ-παραμορφωμένες ερευνητικές υποθέσεις, Vol. 348, 1-17 (Τμήμα Στατιστικής, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, Β., Και Shi, D. Μηχανική μάθηση σε αναζήτηση νέας θεμελιώδους φυσικής. Nat. Γιατρός της Φιλοσοφίας στη Φυσική. 4, 399-412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM και Ahsan MJ. Μηχανική μάθηση στην ανακάλυψη φαρμάκων: Μια ανασκόπηση. Atif. Intel. Ed. 55, 1947-1999 (2022).
Mather, As και Coote, ML βαθιά μάθηση στη χημεία. J.Chemistry. ειδοποιήστε. Μοντέλο. 59, 2545-2559 (2019).
Rajkomar Α., Dean J. και Kohan Ι. Μηχανική μάθηση στην ιατρική. Εφημερίδα της Ιατρικής της Νέας Αγγλίας. 380, 1347-1358 (2019).
Grimmer J, Roberts Me. και Stewart BM μηχανική μάθηση στις κοινωνικές επιστήμες: μια αγνωστική προσέγγιση. Rev. Ann Ball. επιστήμη. 24, 395-419 (2021).
Jump, J. et αϊ. Κάντε πολύ ακριβείς προβλέψεις δομής πρωτεϊνών χρησιμοποιώντας το AlphaFold. Nature 596, 583-589 (2021).
Gundersen, OE, Coakley, Κ., Kirkpatrick, Κ., And Gil, Υ. Πηγές μη παραγωγικότητας στη μηχανική μάθηση: Μια ανασκόπηση. Preprint διαθέσιμο στο https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, Α., Και Rahimi, A. Winner's Curse; Σχετικά με την ταχύτητα, την πρόοδο και την αυστηρότητα των εμπειρικών στοιχείων (ICLR, 2018).
Armstrong, TG, Moffat, Α., Webber, W., and Zobel, J. Μη-προσδοκίες βελτιώσεων: Προκαταρκτικά αποτελέσματα αναζήτησης από το 1998. 18ο Συνέδριο ACM για τη Διαχείριση Πληροφοριών και Γνώσης 601-610 (ACM 2009).
Kapoor, S. και Narayanan, Α. Κρίσεις διαρροής και αναπαραγωγιμότητας στην επιστήμη της μηχανικής μάθησης. Μοτίβα, 4, 100804 (2023).
Kapoor S. et αϊ. Μεταρρύθμιση: Επιστημονικά πρότυπα αναφοράς βασισμένα στη μηχανική μάθηση. Preprint διαθέσιμο στο https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C., και Recht, Β. Οι χωρίς νόημα συγκρίσεις μπορούν να οδηγήσουν σε ψευδή αισιοδοξία στην ιατρική μηχανική μάθηση. PLOS ONE 12, E0184604 (2017).
Roberts, Μ., Et αϊ. Οι συνήθεις παγίδες και οι βέλτιστες πρακτικές για τη χρήση μηχανικής μάθησης για την ανίχνευση και την πρόβλεψη του COVID-19 από τις ακτίνες Χ και την υπολογιστική τομογραφία. Nat. Μέγιστο. Intel. 3, 199-217 (2021).
Winantz L. et αϊ. Προγνωστικά μοντέλα για τη διάγνωση και την πρόγνωση του COVID-19: συστηματική ανασκόπηση και κρίσιμη εκτίμηση. BMJ 369, Μ1328 (2020).
Whalen S., Schreiber J., Noble WS και Pollard KS που ξεπερνούν τις παγίδες της χρήσης μηχανικής μάθησης στη γονιδιωματική. Nat. Πάστορας Ginette. 23, 169-181 (2022).
Atris Ν. Et αϊ. Βέλτιστες πρακτικές για τη μηχανική μάθηση στη χημεία. Nat. Χημική ουσία. 13, 505-508 (2021).
Brunton SL και Kutz jn υποσχόμενες οδηγίες για τη μηχανική εκμάθηση μερικών διαφορικών εξισώσεων. Nat. υπολογίζω. επιστήμη. 4, 483-494 (2024).
Vinuesa, R. και Brunton, SL βελτιώνοντας τη δυναμική των υπολογιστικών υγρών μέσω της μηχανικής μάθησης. Nat. υπολογίζω. επιστήμη. 2, 358-366 (2022).
Comeau, S. et αϊ. Επιστημονική μηχανική μάθηση με φυσικά ενημερωμένα νευρωνικά δίκτυα: όπου είμαστε τώρα και τι θα ακολουθήσει. J. Science. υπολογίστε. 92, 88 (2022).
Duraisamy, Κ., Yaccarino, G., and Xiao, Η. Μοντελοποίηση αναταραχής στην εποχή των δεδομένων. Αναθεωρημένη έκδοση της Ann. 51, 357-377 (2019).
Durran, DR αριθμητικές μέθοδοι για την επίλυση των εξισώσεων κύματος στη γεωφυσική υδροδυναμική, τομ. 32 (Springer, 2013).
Mishra, S. Ένα πλαίσιο εκμάθησης μηχανών για την επιτάχυνση του υπολογισμού των διαφορικών εξισώσεων που βασίζονται σε δεδομένα. μαθηματικά. μηχανικός. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et αϊ. Μηχανική μάθηση - Επιτάχυνση της υπολογιστικής δυναμικής υγρού. διαδικασία. Εθνική Ακαδημία Επιστημών. επιστήμη. US 118, E2101784118 (2021).
Kadapa, Κ. Μηχανική εκμάθηση για την επιστήμη και τη μηχανική των υπολογιστών - μια σύντομη εισαγωγή και μερικά βασικά ζητήματα. Preprint διαθέσιμο στο https://arxiv.org/abs/2112.12054 (2021).
Ross, Α., Li, Z., Perezhogin, Ρ., Fernandez-Granda, C., and Zanna, L. Συγκριτική ανάλυση της παραμέτρου του υπογεγραμμένου ωκεανού σε εξιδανικευμένα μοντέλα. J.Adv. Μοντέλο. σύστημα γης. 15. E2022MS003258 (2023).
Lippe, Ρ., Wieling, Β., Perdikaris, Ρ., Turner, R., and Brandstetter, J. PDE εξελίξεως: επίτευξη ακριβών μεγάλων εξωθήσεων με νευρικό PDE solver. 37ο συνέδριο για τα συστήματα επεξεργασίας νευρικών πληροφοριών (Neurips 2023).
Frachas, PR et αϊ. Ο αλγόριθμος και ο υπολογισμός της δεξαμενής σε επαναλαμβανόμενα νευρωνικά δίκτυα για την πρόβλεψη της σύνθετης χωροχρονικής δυναμικής. νευρικό σύστημα. 126, 191-217 (2020).
Raissi, M., Perdikaris, P. και Karniadakis, GE Physics, Επιστήμη των Υπολογιστών, Νευρωνικά Δίκτυα: Ένα πλαίσιο βαθιάς μάθησης για την επίλυση προωθήσεων και αντίστροφων προβλημάτων που περιλαμβάνουν μη γραμμικές μερικές διαφορικές εξισώσεις. J. Computer. Φυσική. 378, 686-707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., and Schönlieb, Κ.Β. Μπορούν τα νευρωνικά δίκτυα που βασίζονται στη φυσική να ξεπεράσουν τις μεθόδους πεπερασμένων στοιχείων; IMA J. Applications. μαθηματικά. 89, 143-174 (2024).
De la Mata, FF, Gijon, Α., Molina-Solana, Μ., Και Gómez-Romero, J. Neural Networks με βάση τη φυσική για τη μοντελοποίηση που βασίζονται σε δεδομένα: πλεονεκτήματα, περιορισμοί και ευκαιρίες. φυσική. Α 610, 128415 (2023).
Zhuang, Ρ.-Υ. & Barba, LA Μια εμπειρική έκθεση για τα νευρωνικά δίκτυα που βασίζονται στη φυσική σε μοντελοποίηση υγρών: παγίδες και απογοητεύσεις. Preprint διαθέσιμο στο https://arxiv.org/abs/2205.14249 (2022).
Zhuang, Ρ.-Υ. και Barba, LA Πρόβλεψη Περιορισμοί φυσικά ενημερωμένων νευρωνικών δικτύων σε σχηματισμό στροβίλων. Preprint διαθέσιμο στο https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, Η., Και Perdikaris, Ρ. Όταν και γιατί οι Pinns αποτυγχάνουν να εκπαιδεύσουν: μια νευρική εφαπτόμενη προοπτική πυρήνα. J. Computer. φυσική. 449, 110768 (2022).
Krishnapriyan, Α., Gholami, Α., Zhe, S., Kirby, R., and Mahoney, MW Χαρακτηριστικά πιθανών τρόπων αποτυχίας σε φυσικές πληροφορίες νευρωνικών δικτύων. 35ο συνέδριο για τα συστήματα επεξεργασίας νευρικών πληροφοριών Vol. 34, 26548-26560 (Neurips 2021).
Basir, S. και Senokak, Ι. Μια κριτική μελέτη των τρόπων αποτυχίας στα νευρωνικά δίκτυα που βασίζονται στη φυσική. Στο AIAA SCITECH 2022 FOROM 2353 (ARK, 2022).
Karnakov P., Litvinov S. και Koumoutsakos P. Επίλυση φυσικών αντίστροφων προβλημάτων βελτιστοποιώντας τις διακριτές απώλειες: γρήγορη και ακριβή μάθηση χωρίς νευρωνικά δίκτυα. διαδικασία. Εθνική Ακαδημία Επιστημών. επιστήμη. Nexus 3, PGAE005 (2024).
Gundersen βασικές αρχές αναπαραγωγιμότητας. Phil.Cross. R. Shuker. Α 379, 20200210 (2021).
Aromataris E και Pearson A. Συστηματικές αναθεωρήσεις: μια επισκόπηση. Ναί. J. Nursing 114, 53-58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, και Rohde, Κ. Περιορισμοί που έχουν γνωστοποιήσει τα νευρωνικά δίκτυα για το πρόβλημα του Riemann. J. Computer. Φυσική. 409, 109345 (2020).
Οι Bezgin DA, Schmidt SJ και Adams NA καθοδηγούνται από φυσικά ενημερωμένο κύκλωμα πεπερασμένου όγκου για μη κλασσικές μειωμένες διαταραχές τάσης. J. Computer. φυσική. 437, 110324 (2021).
Χρόνος δημοσίευσης: Σεπ-29-2024