Hvala vam što ste posjetili prirodu.com. Verzija preglednika koji koristite ima ograničenu CSS podršku. Za najbolje rezultate, preporučujemo vam da koristite noviju verziju svog preglednika (ili onemogućite način kompatibilnosti u Internet Exploreru). U međuvremenu, kako bismo osigurali stalnu podršku, prikazujemo web mjesto bez stila ili JavaScript.
Jedna od najperspektivnijih primjena strojnog učenja u računalnoj fizici je ubrzano rješenje djelomičnih diferencijalnih jednadžbi (PDES). Glavni cilj rješavanja djelomične diferencijalne jednadžbe temeljen na strojnom učenju je izrada rješenja koja su dovoljno točna brže od standardnih numeričkih metoda koja će služiti kao osnovna usporedba. Prvo provodimo sustavni pregled literature strojnog učenja o rješavanju djelomičnih diferencijalnih jednadžbi. Od svih radova koji prijavljuju uporabu ML za rješavanje djelomičnih diferencijalnih jednadžbi tekućine i tvrdeći superiornost u odnosu na standardne numeričke metode, identificirali smo 79% (60/76) u usporedbi sa slabim baznim linijama. Drugo, pronašli smo dokaze o širokoj pristranosti izvještavanja, posebno u pristranosti izvještavanja i objavljivanja ishoda. Zaključujemo da je istraživanje strojnog učenja o rješavanju djelomičnih diferencijalnih jednadžbi pretjerano optimistično: slabi ulazni podaci mogu dovesti do pretjerano pozitivnih rezultata, a prijavljivanje pristranosti može dovesti do nedovoljnog izvještavanja o negativnim rezultatima. Čini se da su ovi problemi uzrokovani čimbenicima sličnim prošlim krizama obnovljivosti: diskrecija istražitelja i pozitivna pristranost ishoda. Pozivamo da kulturna promjena odozdo prema gore minimizira pristrano izvješćivanje i strukturne reforme odozgo prema dolje kako bi se smanjili perverzni poticaji.
Popis autora i članaka generiranih sustavnim pregledom, kao i klasifikacija svakog članka u nasumičnom uzorku, javno je dostupan na https://doi.org/10.17605/osf.io/gq5b3 (Ref. 124).
The code needed to reproduce the results in Table 2 can be found on GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) and on Code Ocean: https://codeocean.com/capsule/9605539/ Stablo/ v1 (veza 126) i https://codeocean.com/capsule/0799002/tree/v1 (Link 127).
Randall, D. i Welser, K., Kriza nepokolebilnosti u modernoj znanosti: uzroci, posljedice i putove za reforme (Nacionalno udruženje znanstvenika, 2018).
Ritchie, S. Znanstvena fantastika: Kako prijevara, pristranost, tišina i hipe potkopavaju potragu za istinom (Vintage, 2020.).
Otvorena znanstvena suradnja. Procjena obnovljivosti u psihološkoj znanosti. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. i Asadullah, K. Vjerovali ili ne: koliko se možemo osloniti na objavljene podatke o potencijalnim ciljevima lijekova? Nat. Vlč. "Otkrivanje droga." 10, 712 (2011).
Begley, KG i Ellis, LM podižući standarde u pretkliničkim istraživanjima raka. Priroda 483, 531–533 (2012).
A. Gelman i E. Loken, vrt formiranja staza: zašto je više usporedbi problem čak i bez "ribolovnih ekspedicija" ili "p-hacks" i preformirane istraživačke hipoteze, vol. 348, 1–17 (Odjel za statistiku, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., i Shi, D. Strojno učenje u potrazi za novom temeljnom fizikom. Nat. Doktor filozofije iz fizike. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM i Ahsan MJ. Strojno učenje u otkrivanju droga: pregled. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, kao i Coote, ML duboko učenje u kemiji. J.Chemistry. obavijestiti. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. i Kohan I. Strojno učenje u medicini. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts me. i Stewart BM strojno učenje u društvenim znanostima: agnostički pristup. Vlč. Ann Ball. znanost. 24, 395–419 (2021).
Jump, J. i sur. Napravite vrlo točne predviđanja strukture proteina pomoću Alphafolda. Priroda 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., i Gil, Y. Izvori nepravilnosti u strojnom učenju: pregled. Predprint dostupan na https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. i Rahimi, A. Winner's Curse? O brzini, napretku i strogosti empirijskih dokaza (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., i Zobel, J. Ne-additivna poboljšanja: Preliminarni rezultati pretraživanja od 1998. 18. ACM konferencija o upravljanju informacijama i znanjem 601–610 (ACM 2009).
Kapoor, S. i Narayanan, A. Krize curenja i ponovne obnovljivosti u znanosti utemeljenoj na strojnom učenju. Uzorci, 4, 100804 (2023).
Kapoor S. i sur. Reforma: Standardi znanstvenog izvještavanja na temelju strojnog učenja. Predprint dostupan na https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C. i Reht, B. Besmislene usporedbe mogu dovesti do lažnog optimizma u medicinskom strojnom učenju. PLOS ONE 12, E0184604 (2017).
Roberts, M. i sur. Uobičajene zamke i najbolje prakse za korištenje strojnog učenja za otkrivanje i predviđanje Coid-19 iz rendgenskih zraka i računalne tomografije. Nat. Maksimum Intel. 3, 199–217 (2021).
Winantz L. i sur. Prediktivni modeli za dijagnozu i prognozu Coid-19: sustavni pregled i kritična procjena. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS i Pollard KS prevladavaju zamke korištenja strojnog učenja u genomici. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. i sur. Najbolje prakse za strojno učenje u kemiji. Nat. Kemikalija 13, 505–508 (2021).
Brunton SL i Kutz JN Obećavajuće upute za strojno učenje djelomičnih diferencijalnih jednadžbi. Nat. izračunati. znanost. 4, 483–494 (2024).
Vinuesa, R. i Brunton, SL Poboljšavajući dinamiku računalne tekućine kroz strojno učenje. Nat. izračunati. znanost. 2, 358–366 (2022).
Comeau, S. i sur. Znanstveno strojno učenje s fizički informiranim neuronskim mrežama: gdje smo sada i što slijedi. J. Science. izračunati. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. i Xiao, H. Turbulencija modeliranje u doba podataka. Revidirano izdanje Ann. 51, 357–377 (2019).
Durran, dr. Numeričke metode za rješavanje valnih jednadžbi u geofizičkoj hidrodinamici, vol. 32 (Springer, 2013).
Mishra, S. A machine learning framework for accelerating data-driven computation of differential equations. matematika. inženjer. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. i sur. Strojno učenje - ubrzanje računalne dinamike tekućine. proces. Nacionalna akademija znanosti. znanost. US 118, E2101784118 (2021).
Kadapa, K. Strojno učenje za informatiku i inženjerstvo - kratak uvod i neka ključna pitanja. Predprint dostupan na https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Grunda, C., i Zanna, L. Usporedna analiza parametrizacije strojnog učenja oceana u idealiziranim modelima. J.Adv. Model. Zemljini sustav. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., i Brandstetter, J. PDE Rafiniranje: Postizanje preciznih dugih ekstruzija s neuralnim PDE solverom. 37. konferencija o sustavima za obradu neuronskih informacija (Neurips 2023).
Frachas, PR i sur. Algoritam povratnog propadanja i izračun rezervoara u ponavljajućim neuronskim mrežama za predviđanje složene prostornotemporalne dinamike. neuronska mreža. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. i Karniadakis, GE Physics, informatika, neuronske mreže: okvir dubokog učenja za rješavanje naprijed i obrnutih problema koji uključuju nelinearne djelomične diferencijalne jednadžbe. J. Računalo. fizika. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. i Schönlieb, K.-B. Mogu li neuronske mreže temeljene na fizici nadmašiti metode konačnih elemenata? IMA J. Aplikacije. matematika. 89, 143–174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M., i Gómez-Romero, J. Neuralne mreže utemeljene na fizici za modeliranje na temelju podataka: prednosti, ograničenja i mogućnosti. fizika. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Empirijsko izvješće o neuronskim mrežama utemeljenim na fizici u modeliranju tekućine: zamke i razočaranja. Predprint dostupan na https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. i Barba, LA prediktivna ograničenja fizički informiranih neuronskih mreža o stvaranju vrtloga. Predprint dostupan na https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. i Perdikaris, P. Kada i zašto PINN -ovi ne uspijevaju trenirati: perspektiva jezgre neuronske tangente. J. Računalo. fizika. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., i Mahoney, MW karakteristike mogućih načina neuspjeha u fizičkim informacijama neuronskih mreža. 35. konferencija o neuronskim sustavima za obradu informacija Vol. 34, 26548–26560 (Neurips 2021).
Basir, S. i Senokak, I. Kritična studija načina neuspjeha u neuronskim mrežama utemeljenim na fizici. U AIAA Scitech 2022 Forum 2353 (Ark, 2022).
Karnakov P., Litvinov S. i Koumoutsakos P. Rješavanje fizičkih obrnutih problema optimiziranjem diskretnih gubitaka: brzo i točno učenje bez neuronskih mreža. proces. Nacionalna akademija znanosti. znanost. Nexus 3, PGAE005 (2024).
Gundersen OE Osnovna načela obnovljivosti. Phil.Cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E i Pearson A. Sustavni pregledi: pregled. Da. J. Sestrinstvo 114, 53–58 (2014).
Magiera, J., Ray, D., Hestheven, JS i Rohde, K. Neuralne mreže osposobljenih za ograničenje za problem Riemann. J. Računalo. fizika. 409, 109345 (2020).
BEZGIN DA, SCHMIDT SJ i ADAMS NA DIZIVNO INFOVISIRANI SAVJETNI KONTRITE VOLUMENSKI KOLUMIRANI KOLUMIJSKI SLUČENJE SLUČENE NAPONSKE SHONDENS. J. Računalo. Fizika. 437, 110324 (2021).
Post Vrijeme: rujna-29-2024