خط مقدمات ضعیف و گزارش تعصب منجر به بیش از حد در یادگیری ماشین معادلات دیفرانسیل جزئی مربوط به سیال می شود.

با تشکر از شما برای بازدید از Nature.com. نسخه مرورگر مورد استفاده شما از CSS محدود است. برای بهترین نتیجه ، توصیه می کنیم از نسخه جدیدتر مرورگر خود استفاده کنید (یا حالت سازگاری را در اینترنت اکسپلورر غیرفعال کنید). در ضمن ، برای اطمینان از پشتیبانی مداوم ، ما سایت را بدون یک ظاهر طراحی شده یا جاوا اسکریپت نشان می دهیم.
One of the most promising applications of machine learning in computational physics is the accelerated solution of partial differential equations (PDEs). The main goal of a machine learning-based partial differential equation solver is to produce solutions that are accurate enough faster than standard numerical methods to serve as a baseline comparison. We first conduct a systematic review of the machine learning literature on solving partial differential equations. Of all the papers reporting the use of ML to solve fluid partial differential equations and claiming superiority over standard numerical methods, we identified 79% (60/76) compared to weak baselines. دوم ، ما شواهدی از تعصب گزارش گسترده ، به ویژه در گزارش نتیجه و تعصب انتشار پیدا کردیم. We conclude that machine learning research on solving partial differential equations is overly optimistic: weak input data can lead to overly positive results, and reporting bias can lead to underreporting of negative results. In large part, these problems appear to be caused by factors similar to past reproducibility crises: investigator discretion and positive outcome bias. ما خواستار تغییر فرهنگی از پایین به بالا هستیم تا گزارش های مغرضانه و اصلاحات ساختاری از بالا به پایین به حداقل برسد تا انگیزه های آشکار برای انجام این کار کاهش یابد.
لیست نویسندگان و مقالات تولید شده توسط بررسی سیستماتیک و همچنین طبقه بندی هر مقاله در نمونه تصادفی ، به صورت عمومی در https://doi.org/10.17605/osf.io/gq5b3 در دسترس است (Ref. 124).
کد مورد نیاز برای بازتولید نتایج در جدول 2 را می توان در GitHub یافت: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (Ref. 125) و در Code Ocean: https://codeocean.com/capsule/9605539/ درخت/ v1 (لینک 126) و https://codeocean.com/capsule/0799002/tree/v1 (لینک 127).
رندال ، دی. ، و ولسر ، ک. ، بحران غیرقابل انکار در علوم مدرن: علل ، عواقب و مسیرهای اصلاحات (انجمن ملی دانشمندان ، 2018).
Ritchie ، S. علمی تخیلی: چگونه کلاهبرداری ، تعصب ، سکوت و اعتیاد به مواد مخدره ، جستجوی حقیقت را تضعیف می کند (Vintage ، 2020).
همکاری علمی باز. ارزیابی تکرارپذیری در علوم روانشناختی. Science 349 ، AAAC4716 (2015).
Prinz ، F. ، Schlange ، T. ، and Asadullah ، K. باور کنید یا نه: چقدر می توانیم به داده های منتشر شده در مورد اهداف احتمالی دارویی اعتماد کنیم؟ نات. روحانی "کشف مواد مخدر". 10 ، 712 (2011).
Begley ، KG و Ellis ، استانداردهای افزایش LM در تحقیقات سرطان بالینی. طبیعت 483 ، 531-533 (2012).
A. Gelman و E. Loken ، باغ مسیرهای چنگال: چرا مقایسه های متعدد حتی بدون "سفر ماهیگیری" یا "P-Hacks" و فرضیه های تحقیق از پیش ساخته ، یک مشکل است. 348 ، 1-17 (گروه آمار ، 2013).
Karagiorgi ، G. ، Kasecka ، G. ، Kravitz ، S. ، Nachman ، B. ، and Shi ، D. Learning Machine در جستجوی فیزیک اساسی جدید. نات. دکتر فلسفه در فیزیک. 4 ، 399-412 (2022).
Dara S ، Damercherla S ، Jadhav SS ، Babu CM و Ahsan MJ. یادگیری ماشین در کشف مواد مخدر: بررسی. atif اینتل ویرایش 55 ، 1947-1999 (2022).
Mather ، AS و Coote ، ML Learning Deep در شیمی. J.Chemistry. اطلاع دهید مدل. 59 ، 2545-2559 (2019).
Rajkomar A. ، Dean J. and Kohan I. یادگیری ماشین در پزشکی. مجله پزشکی نیو انگلستان. 380 ، 1347–1358 (2019).
گریمر جی ، رابرتز من. و یادگیری ماشین استوارت BM در علوم اجتماعی: یک رویکرد آگنوستیک. روحانی آن بال. علم. 24 ، 395-419 (2021).
پرش ، جی. و همکاران. پیش بینی های ساختار پروتئین بسیار دقیق را با استفاده از Alphafold انجام دهید. طبیعت 596 ، 583-589 (2021).
Gundersen ، OE ، Coakley ، K. ، Kirkpatrick ، ​​K. ، and Gil ، Y. منابع غیرقابل تولید در یادگیری ماشین: یک بررسی. preprint موجود در https://arxiv.org/abs/2204.07610 (2022).
Scully ، D. ، Snook ، J. ، Wiltschko ، A. ، and Rahimi ، A. Curse Winner؟ در مورد سرعت ، پیشرفت و سخت گیری شواهد تجربی (ICLR ، 2018).
Armstrong ، TG ، Moffat ، A. ، Webber ، W. ، and Zobel ، J. پیشرفت های غیر افزودنی: نتایج جستجوی اولیه از سال 1998. هجدهمین کنفرانس ACM در مورد اطلاعات و مدیریت دانش 601-610 (ACM 2009).
Kapoor ، S. و Narayanan ، A. بحران های نشت و تکرارپذیری در علم مبتنی بر یادگیری ماشین. الگوهای ، 4 ، 100804 (2023).
Kapoor S. و همکاران. اصلاحات: استانداردهای گزارشگری علمی مبتنی بر یادگیری ماشین. preprint موجود در https://arxiv.org/abs/2308.07832 (2023).
Demasi ، O. ، Wording ، C. ، and Recht ، B. مقایسه بی معنی می تواند منجر به خوش بینی کاذب در یادگیری ماشین پزشکی شود. PLOS ONE 12 ، E0184604 (2017).
رابرتز ، م. ، و همکاران. مشکلات رایج و بهترین روشها برای استفاده از یادگیری ماشین برای تشخیص و پیش بینی COVID-19 از اشعه ایکس قفسه سینه و توموگرافی کامپیوتری. نات. حداکثر اینتل 3 ، 199–217 (2021).
Winantz L. و همکاران. مدل های پیش بینی کننده برای تشخیص و پیش آگهی COVID-19: یک بررسی منظم و ارزیابی بحرانی. BMJ 369 ، M1328 (2020).
Whalen S. ، Schreiber J. ، Noble WS و Pollard KS غلبه بر مشکلات استفاده از یادگیری ماشین در ژنومیک. نات. کشیش کشیش. 23 ، 169-181 (2022).
Atris N. و همکاران. بهترین روشها برای یادگیری ماشین در شیمی. نات. شیمیایی 13 ، 505-508 (2021).
Brunton SL و Kutz Jn مسیرهای امیدوارکننده برای یادگیری ماشین از معادلات دیفرانسیل جزئی. نات. محاسبه علم. 4 ، 483-494 (2024).
Vinuesa ، R. و Brunton ، SL دینامیک سیال محاسباتی را از طریق یادگیری ماشین بهبود می بخشد. نات. محاسبه علم. 2 ، 358-366 (2022).
Comeau ، S. et al. یادگیری ماشین علمی با شبکه های عصبی آگاهانه: جایی که اکنون هستیم و چه موارد بعدی هستیم. J. Science. محاسبه 92 ، 88 (2022).
Duraisamy ، K. ، Yaccarino ، G. ، and Xiao ، H. مدل سازی آشفتگی در دوره داده. نسخه اصلاح شده آن. 51 ، 357-377 (2019).
Durran ، DR روشهای عددی برای حل معادلات موج در هیدرودینامیک ژئوفیزیکی ، جلد. 32 (اسپرینگر ، 2013).
Mishra ، S. یک چارچوب یادگیری ماشین برای تسریع در محاسبات داده محور معادلات دیفرانسیل. ریاضیات مهندس https://doi.org/10.3934/mine.2018.1.118 (2018).
کوچیکوف D. و همکاران. یادگیری ماشین - شتاب دینامیک سیال محاسباتی. روند آکادمی ملی علوم. علم. 118 ایالات متحده ، E2101784118 (2021).
Kadapa ، K. Learning Machine برای علوم و مهندسی کامپیوتر - مقدمه مختصر و برخی از موضوعات کلیدی. preprint موجود در https://arxiv.org/abs/2112.12054 (2021).
Ross ، A. ، Li ، Z. ، Perezhogin ، P. ، Fernandez-Granda ، C. ، and Zanna ، L. تجزیه و تحلیل مقایسه ای از پارامتر سازی زیر شبکه اقیانوس یادگیری ماشین در مدلهای ایده آل. j.adv مدل. سیستم زمین 15. E2022MS003258 (2023).
Lippe ، P. ، Wieling ، B. ، Perdikaris ، P. ، Turner ، R. ، and Brandstetter ، J. PDE پالایش: دستیابی به اکستروژن های طولانی دقیق با یک حل کننده PDE عصبی. سی و پنجمین کنفرانس سیستم های پردازش اطلاعات عصبی (Neurips 2023).
Frachas ، Pr et al. الگوریتم backpropagation و محاسبه مخزن در شبکه های عصبی مکرر برای پیش بینی دینامیک پیچیده فضایی. شبکه عصبی. 126 ، 191-217 (2020).
Raissi ، M. ، Perdikaris ، P. and Karniadakis ، GE فیزیک ، علوم کامپیوتر ، شبکه های عصبی: یک چارچوب یادگیری عمیق برای حل مشکلات رو به جلو و معکوس شامل معادلات دیفرانسیل جزئی غیرخطی. J. رایانه. فیزیک 378 ، 686-707 (2019).
Grossmann ، TG ، Komorowska ، UJ ، Lutz ، J. ، and Schönlieb ، K.-B. آیا شبکه های عصبی مبتنی بر فیزیک می توانند از روشهای عنصر محدود بهتر عمل کنند؟ برنامه های IMA J. ریاضیات 89 ، 143-174 (2024).
De La Mata ، FF ، Gijon ، A. ، Molina-Solana ، M. ، and Gómez-Romero ، J. شبکه های عصبی مبتنی بر فیزیک برای مدل سازی داده محور: مزایا ، محدودیت ها و فرصت ها. فیزیک A 610 ، 128415 (2023).
ژوانگ ، P.-Y. & Barba ، LA گزارشی تجربی در مورد شبکه های عصبی مبتنی بر فیزیک در مدل سازی سیال: مشکلات و ناامیدی ها. preprint موجود در https://arxiv.org/abs/2205.14249 (2022).
ژوانگ ، P.-Y. و باربا ، LA محدودیت های پیش بینی شده شبکه های عصبی از نظر جسمی در تشکیل گرداب. preprint موجود در https://arxiv.org/abs/2306.00230 (2023).
Wang ، S. ، Yu ، H. ، and Perdikaris ، P. چه موقع و چرا پین ها نتوانند آموزش ببینند: چشم انداز هسته مماس عصبی. J. رایانه. فیزیک 449 ، 110768 (2022).
Krishnapriyan ، A. ، Gholami ، A. ، Zhe ، S. ، Kirby ، R. ، and Mahoney ، MW ویژگی های حالت های خرابی احتمالی در شبکه های عصبی اطلاعات فیزیکی. سی و پنجمین کنفرانس سیستم های پردازش اطلاعات عصبی جلد. 34 ، 26548–26560 (Neurips 2021).
Basir ، S. and Senokak ، I. یک مطالعه مهم از حالت های شکست در شبکه های عصبی مبتنی بر فیزیک. در AIAA Scitech 2022 Forum 2353 (Ark ، 2022).
Karnakov P. ، Litvinov S. و Koumoutsakos P. حل مشکلات معکوس فیزیکی با بهینه سازی ضررهای گسسته: یادگیری سریع و دقیق بدون شبکه های عصبی. روند آکادمی ملی علوم. علم. Nexus 3 ، PGAE005 (2024).
Gundersen OE اصول اساسی تکرارپذیری. Phil.cross. R. Shuker. A 379 ، 20200210 (2021).
Aromataris E و Pearson A. بررسی های سیستماتیک: یک مرور کلی. بله J. پرستاری 114 ، 53-58 (2014).
Magiera ، J. ، Ray ، D. ، Hesthaven ، JS ، and Rohde ، K. شبکه های عصبی محدودیت-آگاه برای مشکل ریمان. J. رایانه. فیزیک 409 ، 109345 (2020).
Bezgin DA ، Schmidt SJ و Adams NA مدار حجم محدود فیزیکی با محوریت فیزیکی برای شوکهای ولتاژ کاهش یافته غیر کلاسیک. J. رایانه. فیزیک 437 ، 110324 (2021).