Grazas por visitar Nature.com. A versión do navegador que está a usar ten soporte CSS limitado. Para obter os mellores resultados, recomendamos que use unha versión máis recente do seu navegador (ou desactiva o modo de compatibilidade en Internet Explorer). Mentres tanto, para garantir o apoio continuo, mostramos o sitio sen estilo nin JavaScript.
Unha das aplicacións máis prometedoras da aprendizaxe automática na física computacional é a solución acelerada de ecuacións diferenciais parciais (PDE). O obxectivo principal dun solucionador de ecuacións diferenciais parciais baseado na aprendizaxe de máquinas é producir solucións bastante precisas máis rápidas que os métodos numéricos estándar para servir como comparación de base. Primeiro realizamos unha revisión sistemática da literatura de aprendizaxe de máquinas sobre a resolución de ecuacións diferenciais parciais. De todos os traballos que informan o uso de ML para resolver ecuacións diferenciais parciais de fluído e reclamando a superioridade con métodos numéricos estándar, identificamos o 79% (60/76) en comparación coas liñas de referencia débiles. En segundo lugar, atopamos evidencias de sesgo de informes xeneralizados, particularmente nos informes de resultados e sesgo de publicacións. Concluímos que a investigación de aprendizaxe de máquinas sobre a resolución de ecuacións diferenciais parciais é excesivamente optimista: os datos de entrada débiles poden levar a resultados excesivamente positivos e o sesgo de informes pode levar a underportamento de resultados negativos. En gran parte, estes problemas parecen ser causados por factores similares ás crises de reproducibilidade pasadas: discreción do investigador e sesgo de resultados positivos. Chamamos ao cambio cultural de abaixo cara arriba para minimizar os informes sesgados e a reforma estrutural de arriba abaixo para reducir os incentivos perversos para facelo.
A lista de autores e artigos xerados pola revisión sistemática, así como a clasificación de cada artigo na mostra aleatoria, está dispoñible publicamente en https://doi.org/10.17605/osf.io/gq5b3 (ref. 124).
O código necesario para reproducir os resultados da táboa 2 pódese atopar en GitHub: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (ref. 125) e en código océano: https://codeocean.com/capsule/9605539/ Árbore/ V1 (ligazón 126) e https://codeocean.com/capsule/0799002/tree/v1 (ligazón 127).
Randall, D., e Welser, K., A crise de irreproducibilidade na ciencia moderna: causas, consecuencias e vías para a reforma (Asociación Nacional de Científicos, 2018).
Ritchie, S. Science Fiction: Como o fraude, o sesgo, o silencio e o bombo minan a busca da verdade (Vintage, 2020).
Colaboración científica aberta. Avaliar a reproducibilidade na ciencia psicolóxica. Ciencia 349, AAAC4716 (2015).
Prinz, F., Schlange, T., e Asadullah, K. Créano ou non: ¿Canto podemos confiar nos datos publicados sobre obxectivos potenciais de drogas? Nat. Rev. "O descubrimento de drogas." 10, 712 (2011).
Begley, KG e Ellis, LM Raising Standards na investigación de cancro preclínico. Natureza 483, 531–533 (2012).
A. Gelman e E. Loken, The Garden of Forking Paths: Por que múltiples comparacións son un problema incluso sen "Expedicións de pesca" ou "P-Hacks" e hipóteses de investigación preformadas, vol. 348, 1-17 (Departamento de Estatísticas, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., e Shi, D. Machine Learning en busca de nova física fundamental. Nat. Doutor en Filosofía en Física. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM e Ahsan MJ. Aprendizaxe automática no descubrimento de drogas: unha revisión. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, como e Coote, Ml Aprendizaxe profunda en química. J.Cemoria. notificar. Modelo. 59, 2545-2559 (2019).
Rajkomar A., Dean J. e Kohan I. Machine Learning in Medicine. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts Me. e Stewart BM Machine Learning en Ciencias Sociais: un enfoque agnóstico. Rev. Ann Ball. Ciencia. 24, 395–419 (2021).
Jump, J. et al. Fai prediccións de estrutura de proteínas altamente precisas mediante alfafold. Natureza 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., e Gil, Y. Fontes de irreproducibilidade na aprendizaxe de máquinas: unha revisión. Preprintado dispoñible en https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., e Rahimi, A. Winner's Curse? Sobre a velocidade, o progreso e o rigor das evidencias empíricas (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., e Zobel, J. melloras non aditivas: resultados de busca preliminares desde 1998. 18ª Conferencia ACM sobre Información e Xestión do Coñecemento 601–610 (ACM 2009).
Kapoor, S. e Narayanan, A. Creas de fuga e reproducibilidade na ciencia baseada na aprendizaxe automática. Patróns, 4, 100804 (2023).
Kapoor S. et al. Reforma: normas de informes científicos baseados na aprendizaxe automática. Preprintado dispoñible en https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C., e Recht, B. As comparacións sen sentido poden levar a un falso optimismo na aprendizaxe de máquinas médicas. PLoS One 12, E0184604 (2017).
Roberts, M., et al. As trampas comúns e as mellores prácticas para usar a aprendizaxe automática para detectar e predecir CovID-19 a partir de radiografías do peito e tomografía computarizada. Nat. Máx. Intel. 3, 199–217 (2021).
Winantz L. et al. Modelos predictivos para o diagnóstico e prognóstico de CoVID-19: unha revisión sistemática e valoración crítica. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS e Pollard KS superando as trampas de usar a aprendizaxe automática en xenómica. Nat. Pastor Ginette. 23, 169-181 (2022).
Atris N. et al. As mellores prácticas para a aprendizaxe automática en química. Nat. Químico. 13, 505–508 (2021).
Brunton SL e Kutz Jn Promesas direccións para a aprendizaxe automática de ecuacións diferenciais parciais. Nat. Calcula. Ciencia. 4, 483–494 (2024).
Vinuesa, R. e Brunton, SL Mellora a dinámica de fluídos computacionais mediante a aprendizaxe automática. Nat. Calcula. Ciencia. 2, 358–366 (2022).
Comeau, S. et al. Aprendizaxe de máquinas científicas con redes neuronais informadas físicamente: onde estamos agora e o que vén. J. Ciencia. Calcula. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., e Xiao, H. Modelado de turbulencias na era dos datos. Edición revisada de Ann. 51, 357–377 (2019).
DURRAN, DR Métodos numéricos para resolver ecuacións de ondas en hidrodinámica xeofísica, vol. 32 (Springer, 2013).
Mishra, S. Un marco de aprendizaxe de máquinas para acelerar a computación baseada en datos de ecuacións diferenciais. Matemáticas. Enxeñeiro. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et al. Aprendizaxe automática: aceleración da dinámica de fluídos computacionais. proceso. Academia Nacional de Ciencias. Ciencia. US 118, E2101784118 (2021).
Kadapa, K. Aprendizaxe automática para informática e enxeñaría: unha breve introdución e algúns temas clave. Preprintado dispoñible en https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Pérezhogin, P., Fernandez-Granda, C., e Zanna, L. Análise comparativa da parametrización de subgrid Ocean Subgrid en modelos idealizados. J.Adv. Modelo. sistema terrestre. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., e Brandstetter, J. PDE Refinement: logrando extrusións longas precisas cun solucionador PDE neural. 37ª Conferencia sobre sistemas de procesamento de información neuronal (Neurips 2023).
Frachas, PR et al. Algoritmo de backpropagation e cálculo do depósito en redes neuronais recorrentes para predecir unha dinámica espatiotemporal complexa. rede neuronal. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. e Karniadakis, GE Physics, informática, redes neuronais: un marco de aprendizaxe profunda para resolver problemas cara adiante e inversos con ecuacións diferenciais parciais non lineais. J. Computer. Física. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., e Schönlieb, K.-B. ¿As redes neuronais baseadas na física poden superar os métodos de elementos finitos? IMA J. Aplicacións. Matemáticas. 89, 143-174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M., e Gómez-Romero, J. Redes neuronais baseadas en física para o modelado baseado en datos: vantaxes, limitacións e oportunidades. Física. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, La un informe empírico sobre redes neuronais baseadas na física no modelado de fluídos: trampas e decepcións. Preprintado dispoñible en https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. e Barba, LA Limitacións predictivas de redes neuronais informadas físicamente na formación de vórtice. Preprintado dispoñible en https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., e Perdikaris, P. Cando e por que os pinns non se adestran: unha perspectiva de núcleo tanxente neural. J. Computer. Física. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., e Mahoney, MW Características de posibles modos de fallo nas redes neuronais de información física. 35ª Conferencia sobre Sistemas de Procesamento de Información Neural Vol. 34, 26548–26560 (Neurips 2021).
Basir, S. e Senokak, I. Un estudo crítico dos modos de fallo nas redes neuronais baseadas na física. En AIAA SCITech 2022 Foro 2353 (ARK, 2022).
Karnakov P., Litvinov S. e Koumoutsakos P. Resolución de problemas inversos físicos ao optimizar perdas discretas: aprendizaxe rápida e precisa sen redes neuronais. proceso. Academia Nacional de Ciencias. Ciencia. Nexus 3, PGAE005 (2024).
Gundersen oe Principios básicos de reproducibilidade. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E e Pearson A. Revisións sistemáticas: unha visión xeral. Si. J. Enfermería 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, e Rohde, K. Redes neuronais conscientes de restrición para o problema de Riemann. J. Computer. Física. 409, 109345 (2020).
Bezgin DA, Schmidt SJ e Adams NA, circuíto de volume finito informado físicamente baseado en datos para choques de tensión reducidos non clásicos. J. Computer. Física. 437, 110324 (2021).
Tempo de publicación: setembro 29-2024