Kiitos vierailustasi Nature.com. Käyttämäsi selaimessa on rajoitettu CSS -tuki. Parhaat tulokset suosittelemme, että käytät selaimesi uudempaa versiota (tai poista yhteensopivuustilan Internet Explorerissa). Sillä välin jatkuvan tuen varmistamiseksi näytämme sivuston ilman muotoilua tai JavaScriptiä.
Yksi lupaavimmista koneoppimisen sovelluksista laskennallisessa fysiikassa on osittaisten differentiaaliyhtälöiden (PDE) kiihdytetty ratkaisu. Koneoppimispohjaisen osittaisen differentiaaliyhtälön ratkaisijan päätavoite on tuottaa ratkaisuja, jotka ovat riittävän tarkempia kuin tavalliset numeeriset menetelmät toimimaan lähtötason vertailuna. Suoritamme ensin systemaattisen katsauksen koneoppimiskirjallisuuteen osittaisten differentiaaliyhtälöiden ratkaisemisesta. Kaikista asiakirjoista, jotka ilmoittavat ML: n käytöstä nesteen osittaisten differentiaaliyhtälöiden ratkaisemiseksi ja ylivoimaisesti tavanomaisten numeeristen menetelmien verrattuna, tunnistimme 79% (60/76) verrattuna heikkoihin perusviivoihin. Toiseksi löysimme todisteita laajalle levinneestä raportoinnin puolueellisuudesta, etenkin tulosraportoinnin ja julkaisujen puolueellisuudessa. Johtopäätöksenä on, että osittaisten differentiaaliyhtälöiden ratkaisemisen koneoppimista koskeva tutkimus on liian optimistinen: heikko syöttötieto voi johtaa liian positiivisiin tuloksiin, ja raportointipoikkeamat voivat johtaa negatiivisten tulosten aliraportointiin. Suurelta osin nämä ongelmat näyttävät johtuvan tekijöistä, jotka ovat samanlaisia kuin aiemmat toistettavuuskriisit: tutkijan harkintavalta ja positiivisen lopputuloksen puolueellisuus. Vaadimme alhaalta ylöspäin suuntautuvaa kulttuurimuutosta puolueellisen raportoinnin ja ylhäältä alas suuntautuvan rakenneuudistuksen minimoimiseksi vääristyneiden kannustimien vähentämiseksi.
Systemaattisen katsauksen luomien kirjoittajien ja artikkeleiden luettelo sekä satunnaisen näytteen jokaisen artikkelin luokittelu on julkisesti saatavana osoitteessa https://doi.org/10.17605/osf.io/GQ5B3 (viite 124).
Taulukon 2 tulosten toistamiseen tarvittava koodi löytyy Githubista: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (viite 125) ja koodilla valtamerellä: https://codeocean.com/capsule/9605539/ Puu/ v1 (linkki 126) ja https://codeocean.com/capsule/0799002/tree/v1 (linkki 127).
Randall, D., ja Welser, K., Nykyaikaisen tieteen korvaavuuden kriisi: syyt, seuraukset ja uudistuspolut (Kansallinen tutkijayhdistys, 2018).
Ritchie, S. Tieteiskirjallisuus: Kuinka petokset, puolueellisuus, hiljaisuus ja hype heikentävät totuuden etsintää (Vintage, 2020).
Avoin tieteellinen yhteistyö. Toistettavuuden arviointi psykologisessa tieteessä. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. ja Asadullah, K. Uskokaa tai älä: Kuinka paljon voimme luottaa julkaistuihin tietoihin mahdollisista lääkekohteista? Nat. Rev. "Huumeiden löytäminen". 10, 712 (2011).
Begley, KG ja Ellis, LM: n nostamisstandardit prekliinisessä syöpätutkimuksessa. Nature 483, 531–533 (2012).
A. Gelman ja E. Loken, haarukkapolkujen puutarha: Miksi useita vertailut ovat ongelma jopa ilman ”kalastusmatkaa” tai “P-hackia” ja esimuodostettuja tutkimushypoteeseja, voi. 348, 1–17 (tilastojen laitos, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. ja Shi, D. Koneoppiminen etsimään uutta perusfysiikkaa. Nat. Fysiikan filosofian tohtori. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM ja Ahsan MJ. Koneoppiminen huumeiden löytämisessä: Katsaus. Atif. Intel. Toim. 55, 1947–1999 (2022).
Mather, AS ja Coote, ML Syvä oppiminen kemiassa. J.Chemistry. ilmoittaa. Malli. 59, 2545–2559 (2019).
Rajkomar A., Dean J. ja Kohan I. Koneoppiminen lääketieteessä. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts Me. ja Stewart BM Machine Learning In Comclet Sciences: Agnostinen lähestymistapa. Ann Ball. Tiede. 24, 395–419 (2021).
Jump, J. et ai. Tee erittäin tarkkoja proteiinirakenteen ennusteita alfafoldilla. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. ja Gil, Y. Koneoppimisen kohtuuttomuuden lähteet: Katsaus. Preprint saatavana osoitteessa https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. ja Rahimi, A. voittajan kirous? Empiirisen todisteen nopeudesta, edistyksestä ja tiukasta (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. ja Zobel, J. Ei-additiiviset parannukset: Alustavat hakutulokset vuodesta 1998. 18. ACM-tieto- ja tiedonhallintakonferenssi 601–610 (ACM 2009).
Kapoor, S. ja Narayanan, A. Vuoto- ja toistettavuuskriisit koneoppimispohjaisessa tieteessä. Kuviot, 4, 100804 (2023).
Kapoor S. et ai. Uudistus: Koneoppimiseen perustuvat tieteelliset raportointistandardit. Preprint saatavana osoitteessa https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C. ja Recht, B. Merkityksettömät vertailut voivat johtaa väärään optimismiin lääketieteellisessä koneoppimisessa. PLOS One 12, E0184604 (2017).
Roberts, M., et ai. Yleiset sudenkuopat ja parhaat käytännöt koneoppimisen käyttämiseen COVID-19: n havaitsemiseksi ja ennustamiseksi rintakehän röntgenkuvista ja tietokonetomografiasta. Nat. Enintään Intel. 3, 199–217 (2021).
Winantz L. et ai. Ennustavat mallit COVID-19: n diagnoosille ja ennusteelle: systemaattinen katsaus ja kriittinen arvio. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS ja Pollard KS, jotka ylittävät koneoppimisen käytön sudenkuopat genomiikassa. Nat. Pastori Ginette. 23, 169–181 (2022).
Atris N. et ai. Kemian koneoppimisen parhaat käytännöt. Nat. Kemikaali. 13, 505–508 (2021).
Brunton SL ja Kutz Jn lupaavat ohjeet osittaisten differentiaaliyhtälöiden koneoppimiseen. Nat. laskea. Tiede. 4, 483–494 (2024).
Vinuesa, R. ja Brunton, SL laskennallisen nesteen dynamiikan parantaminen koneoppimisen avulla. Nat. laskea. Tiede. 2, 358–366 (2022).
Comeau, S. et ai. Tieteellinen koneoppiminen fyysisesti tietoisilla hermoverkoilla: missä olemme nyt ja mitä seuraavaksi. J. Science. laskea. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. ja Xiao, H. Turbulenssin mallintaminen tietokaudella. Annin tarkistettu painos. 51, 357–377 (2019).
Durran, DR -numeeriset menetelmät aaltoyhtälöiden ratkaisemiseksi geofysikaalisessa hydrodynamiikassa, voi. 32 (Springer, 2013).
Mishra, S. Koneoppimiskehys dataohjatun laskennan nopeuttamiseksi differentiaaliyhtälöiden. matematiikka. insinööri. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et ai. Koneoppiminen - laskennallisen nesteen dynamiikan kiihtyminen. käsitellä. Kansallinen tiedeakatemia. Tiede. US 118, E2101784118 (2021).
Kadapa, K. Tietotekniikan ja tekniikan koneoppiminen - lyhyt johdanto ja joitain avainkysymyksiä. Preprint saatavana osoitteessa https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. ja Zanna, L. Koneoppimisen valtameren alaryhmän parametroinnin vertaileva analyysi idealisoiduissa malleissa. J.Adv. Malli. Maajärjestelmä. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. ja Brandstetter, J. PDE -hienosäätö: Tarkat pitkät suulakepuristukset neuraalisella PDE -ratkaisulla. 37. hermojen tietojenkäsittelyjärjestelmien konferenssi (Neurips 2023).
Frachas, Pr et ai. Takaisinferenttialgoritmi ja säiliön laskenta toistuvissa hermoverkoissa monimutkaisen spatiotemporaalisen dynamiikan ennustamiseksi. Neuraaliverkko. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. ja Karniadakis, GE -fysiikka, tietotekniikka, hermoverkot: Syvä oppimiskehys eteenpäin ja käänteisiin ongelmiin, joihin liittyy epälineaarisia osittaisia differentiaaliyhtälöitä. J. Computer. fysiikka. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. ja Schönlieb, K.-B. Voivatko fysiikkapohjaiset hermoverkot ylittää äärellisten elementtien menetelmät? Ima J. Applications. matematiikka. 89, 143–174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M. ja Gómez-Romero, J. Fysiikkapohjaiset hermoverkot tietopohjaiseen mallintamiseen: edut, rajoitukset ja mahdollisuudet. fysiikka. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Empiirinen raportti fysiikkapohjaisista hermoverkoista nesteen mallinnuksessa: sudenkuopat ja pettymykset. Preprint saatavana osoitteessa https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. ja Barba, fyysisesti tietoisten hermoverkkojen ennustavat rajoitukset pyörreiden muodostumisessa. Preprint saatavana osoitteessa https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. ja Perdikaris, P. Milloin ja miksi pinnit eivät harjoittelua: hermoston tangentin ytimen näkökulma. J. Computer. fysiikka. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. ja Mahoney, MW: n mahdollisten vikatapojen ominaisuudet fyysisen tiedon hermoverkoissa. 35. Neuraalisten tietojenkäsittelyjärjestelmien konferenssi voi. 34, 26548–26560 (Neurips 2021).
Basir, S. ja Senokak, I. Kriittinen tutkimus fysiikkapohjaisten hermoverkkojen epäonnistumismoodista. AIAA Scitech 2022 Forum 2353 (Ark, 2022).
Karnakov P., Litvinov S. ja Koumousakos P. Fyysisten käänteisongelmien ratkaiseminen optimoimalla erilliset tappiot: nopea ja tarkka oppiminen ilman hermoverkkoja. käsitellä. Kansallinen tiedeakatemia. Tiede. Nexus 3, PGAE005 (2024).
Gundersen OE toistettavuuden perusperiaatteet. Phil.Cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E ja Pearson A. Systemaattiset arvostelut: yleiskatsaus. Kyllä. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS ja Rohde, K. Riemann-ongelman rajoitustietoiset hermoverkot. J. Computer. fysiikka. 409, 109345 (2020).
Bezgin DA, Schmidt SJ ja Adams NA Data -vetoiset fyysisesti tietoinen äärellinen tilavuuspiiri ei-klassisten vähentyneiden jänniteshokkien suhteen. J. Computer. fysiikka. 437, 110324 (2021).
Viestin aika: SEP-29-2024