Täname, et külastasite Nature.com. Teie kasutatava brauseri versioonil on piiratud CSS -tugi. Parimate tulemuste saamiseks soovitame teil kasutada oma brauseri uuemat versiooni (või keelata ühilduvusrežiim Internet Exploreris). Vahepeal näitame pideva toe tagamiseks saiti ilma stiili või JavaScriptita.
Üks paljulubavamaid masinõppe rakendusi arvutusfüüsikas on osaliste diferentsiaalvõrrandite (PDE) kiirendatud lahendus. Masinaõppepõhise osalise diferentsiaalvõrrandi lahendaja peamine eesmärk on toota lahendusi, mis on piisavalt täpsed kui standardsed numbrilised meetodid, et olla algtaseme võrdlus. Esmalt viime läbi masinõppe kirjanduse süstemaatilise ülevaate osaliste diferentsiaalvõrrandite lahendamise kohta. Kõigist paberitest, mis teatasid ML -i kasutamisest vedeliku osalise diferentsiaalvõrrandite lahendamiseks ja standardsete numbriliste meetodite paremuse väites, tuvastasime 79% (60/76) võrreldes nõrkade lähtejoontega. Teiseks leidsime tõendeid laialt levinud aruandluse eelarvamuste kohta, eriti tulemuste aruandluse ja avaldamise eelarvamuste osas. Me järeldame, et osaliste diferentsiaalvõrrandite lahendamise masinõppe uurimine on liiga optimistlik: nõrgad sisendandmed võivad põhjustada liiga positiivseid tulemusi ja eelarvamuste aruandlus võib põhjustada negatiivsete tulemuste alaandmist. Suuresti näib, et need probleemid on põhjustatud varasemate reprodutseeritavuskriisidega sarnased tegurid: uurija kaalutlus ja positiivne tulemuste eelarvamused. Kutsume üles alt üles kultuurilisi muutusi, et minimeerida eelarvamusi ja ülalt alla suunatud struktuurireformi, et vähendada väärastunud stiimuleid.
Süstemaatilise ülevaate loodud autorite ja artiklite loetelu ning iga juhusliku valimi artikli klassifikatsioon on avalikult kättesaadav aadressil https://doi.org/10.17605/osf.io/gq5b3 (viide 124).
Tabeli 2 tulemuste reprodutseerimiseks vajaliku koodi leiate GitHubist: https://github.com/nickmcgreivy/weakbaselinelinesmlpde/ (viide 125) ja koodi ookeanis: https://codeocean.com/capsule/9605539/ Puu/ v1 (link 126) ja https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Randall, D. ja Welser, K., Kaasaegse teaduse parandamatuse kriis: reformi põhjused, tagajärjed ja teed (Teadlaste riiklik ühing, 2018).
Ritchie, S. Teaduslik ulme: kuidas pettus, eelarvamused, vaikus ja hüpe õõnestavad tõe otsimist (Vintage, 2020).
Avatud teaduslik koostöö. Psühholoogilise teaduse reprodutseeritavuse hindamine. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. ja Asadullah, K. Uskuge või mitte: kui palju saame tugineda avaldatud andmetele võimalike ravimite sihtmärkide kohta? Nat. Rev. “Narkootikumide avastamine”. 10, 712 (2011).
Begley, KG ja Ellis, LM tõstetakse prekliiniliste vähiuuringute standardeid. Nature 483, 531–533 (2012).
A. Gelman ja E. Loken, kandade aed: miks on mitu võrdlust probleem isegi ilma „kalapüügiekspeditsioonide” või “p-hacks” ja eelvormitud uurimistöö hüpoteesideta, vol. 348, 1–17 (statistikaosakond, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. ja Shi, D. Masinõpe uue fundamentaalse füüsika otsimisel. Nat. Füüsika filosoofia doktor. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM ja Ahsan MJ. Masinõpe narkootikumide avastamisel: ülevaade. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, as ja Coote, ML Deep Learning keemias. J.Cheemia. Teavitage. Mudel. 59, 2545–2559 (2019).
Rajkomar A., Dean J. ja Kohan I. Masinaõpe meditsiinis. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts Me. ja Stewarti BM -masinaõpe sotsiaalteadustes: agnostiline lähenemisviis. Ann Ball. Teadus. 24, 395–419 (2021).
Jump, J. jt. Tehke Alphafoldi abil väga täpseid valgu struktuuri prognoose. Loodus 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. ja Gil, Y. Masinaõppe parandamatuse allikad: ülevaade. Eeltrükk on saadaval aadressil https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. ja Rahimi, A. Võitja needus? Empiiriliste tõendite kiiruse, edusammude ja ranguse kohta (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. ja Zobel, J. Mittedditiivsed täiustused: esialgsed otsingutulemused alates 1998. aastast. 18. ACM-i teabe ja teadmiste haldamise konverents 601–610 (ACM 2009).
Kapoor, S. ja Narayanan, A. Lekke- ja reprodutseeritavuse kriisid masinõppepõhises teaduses. Mustrid, 4, 100804 (2023).
Kapoor S. jt. Reform: masinõppel põhinevad teaduslikud aruandlusstandardid. Eeltrükk on saadaval aadressil https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C. ja Recht, B. Mõistetud võrdlused võivad meditsiinilise masina õppimisel põhjustada vale optimismi. PLOS One 12, E0184604 (2017).
Roberts, M., et al. Ühised lõksud ja parimad tavad masinõppe kasutamiseks rindkere röntgenikiirguse ja kompuutertomograafia põhjal ja ennustamiseks. Nat. Max. Intel. 3, 199–217 (2021).
Veinaja L. jt. COVID-19 diagnoosimise ja prognoosi ennustatavad mudelid: süstemaatiline ülevaade ja kriitiline hinnang. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS ja Pollard KS, mis ületavad masinõppe genoomikas kasutamise lõkse. Nat. Pastor Ginette. 23, 169–181 (2022).
Atriris N. et al. Parimad tavad keemia õppimiseks. Nat. Keemiline. 13, 505–508 (2021).
Brunton SL ja Kutz Jn lubavad juhiseid osaliste diferentsiaalvõrrandite masina õppimiseks. Nat. arvutada. Teadus. 4, 483–494 (2024).
Vinuesa, R. ja Brunton, SL, mis parandab arvutuslikku vedeliku dünaamikat masinõppe kaudu. Nat. arvutada. Teadus. 2, 358–366 (2022).
Comeau, S. jt. Füüsiliselt informeeritud närvivõrkudega teaduslik masinõpe: kus me praegu oleme ja mis edasi on. J. Teadus. arvutada. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. ja Xiao, H. Turbulentsi modelleerimine andmetel. Anni muudetud väljaanne. 51, 357–377 (2019).
Durran, DR numbrilised meetodid lainevõrrandite lahendamiseks geofüüsikalises hüdrodünaamikas, vol. 32 (Springer, 2013).
Mishra, S. Masinaõppe raamistik diferentsiaalvõrrandite andmepõhise arvutamise kiirendamiseks. Matemaatika. Insener. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. jt. Masinõpe - arvutusliku vedeliku dünaamika kiirendamine. protsess. Riiklik Teaduste Akadeemia. Teadus. USA 118, E2101784118 (2021).
Kadapa, K. Masinaõpe infotehnoloogia ja tehnika jaoks - lühike sissejuhatus ja mõned võtmeküsimused. Eeltrükk on saadaval aadressil https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. ja Zanna, L. Masinaõppe ookeani alamvõrgu parameetriseerimise võrdlev analüüs idealiseeritud mudelites. J.AV. Mudel. Maa süsteem. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. ja Brandstetter, J. PDE rafineerimine: täpsete pikkade väljapressimiste saavutamine närvi PDE lahendajaga. Neuraalse infotöötluse süsteemide 37. konverents (Neuraps 2023).
Frachas, PR jt. Tagapropageerimise algoritm ja reservuaari arvutamine korduvates närvivõrkudes keeruka spatiotemporaalse dünaamika ennustamiseks. närvivõrk. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. ja Karniadakis, GE füüsika, arvutiteadus, närvivõrgud: sügav õppimisraamistik edasiste ja pöördprobleemide lahendamiseks, mis hõlmavad mittelineaarseid osalisi diferentsiaalvõrrandeid. J. Arvuti. Füüsika. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. ja Schönlieb, K.-B. Kas füüsikapõhised närvivõrgud saavad ületada lõplike elementide meetodeid? Ima J. Rakendused. Matemaatika. 89, 143–174 (2024).
De la Mata, FF, Gijon, A., Molina-Solana, M. ja Gómez-Romero, J. Füüsikapõhised närvivõrgud andmepõhiseks modelleerimiseks: eelised, piirangud ja võimalused. Füüsika. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA empiiriline aruanne füüsikapõhiste närvivõrkude kohta vedeliku modelleerimise alal: lõksud ja pettumused. Eeltrükk on saadaval aadressil https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. ja Barba, LA füüsiliselt informeeritud närvivõrkude ennustavad piirangud keerise moodustumisel. Eeltrükk on saadaval aadressil https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. ja Perdikaris, P. Millal ja miks Pinns ei suuda treenida: närvi puutuja tuuma perspektiiv. J. Arvuti. Füüsika. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. ja Mahoney, MW võimalike tõrkerežiimide omadused füüsilise teabe närvivõrkudes. Neuraalse infotöötlemise süsteemide 35. konverents kd. 34, 26548–26560 (Neuraps 2021).
Basir, S. ja Senokak, I. Füüsikapõhiste närvivõrkude tõrkerežiimide kriitiline uuring. AIAA SCITECH 2022 Foorumis 2353 (Ark, 2022).
Karnakov P., Litvinov S. ja Koumoutsakos P. Füüsiliste pöördprobleemide lahendamine diskreetsete kaotuste optimeerimisega: kiire ja täpne õppimine ilma närvivõrkudeta. protsess. Riiklik Teaduste Akadeemia. Teadus. Nexus 3, PGAE005 (2024).
Gundersen OE reprodutseeritavuse põhiprintsiibid. Phil.Cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E ja Pearson A. Süstemaatilised ülevaated: ülevaade. Jah. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS ja Rohde, K. Riemanni probleemi jaoks mõeldud närvivõrgud. J. Arvuti. Füüsika. 409, 109345 (2020).
Bezgin DA, Schmidt SJ ja ADAMS NA andmepõhine füüsiliselt informeeritud piiratud mahu vooluring mitteklassikaliste vähendatud pingešokkide jaoks. J. Arvuti. Füüsika. 437, 110324 (2021).
Postiaeg: 29. september2024