Köszönjük, hogy meglátogatta a nature.com webhelyet. A használt böngésző verziója korlátozott CSS -támogatással rendelkezik. A legjobb eredmény elérése érdekében azt javasoljuk, hogy használja a böngésző újabb verzióját (vagy tiltsa le a kompatibilitási módot az Internet Explorerben). Időközben a folyamatos támogatás biztosítása érdekében a webhelyet stílus vagy javascript nélkül mutatjuk be.
A gépi tanulás egyik legígéretesebb alkalmazása a számítási fizikában a részleges differenciálegyenletek (PDE) gyorsított megoldása. A gépi tanuláson alapuló részleges differenciálegyenlet-megoldó fő célja az, hogy olyan megoldásokat hozzon létre, amelyek elég gyorsabbak, mint a szokásos numerikus módszerek, hogy alapvető összehasonlításként szolgáljanak. Először a részleges differenciálegyenletek megoldásáról szóló gépi tanulási irodalom szisztematikus áttekintését végezzük. Az ML használatáról a folyadék részleges differenciálegyenleteinek megoldására és a szokásos numerikus módszerekkel szembeni fölény igénylésére vonatkozó összes dokumentum közül 79% -ot (60/76) azonosítottunk a gyenge alapvonalakhoz képest. Másodszor, bizonyítékokat találtunk a széles körű jelentési torzításról, különösen az eredményjelentés és a publikációs torzítás során. Megállapítottuk, hogy a parciális differenciálegyenletek megoldására vonatkozó gépi tanulási kutatás túlságosan optimista: a gyenge bemeneti adatok túlságosan pozitív eredményekhez vezethetnek, és az elfogultság jelentése a negatív eredmények alulértékeléséhez vezethet. Ezeket a problémákat nagyrészt úgy tűnik, hogy a múltbeli reprodukálhatósági válságokhoz hasonló tényezők okozzák: a kutató diszkréciója és a pozitív eredmény torzulása. Felhívjuk az alulról felfelé irányuló kulturális változásokat az elfogult jelentéstétel és a fentről lefelé mutató strukturális reform minimalizálása érdekében, hogy csökkentsék az erre vonatkozó perverz ösztönzőket.
A szisztematikus áttekintés által generált szerzők és cikkek listája, valamint az egyes cikkek osztályozása a véletlenszerű mintában nyilvánosan elérhető a https://doi.org/10.17605/osf.io/gq5b3 oldalon (124. ref.).
A 2. táblázatban szereplő eredmények reprodukálásához szükséges kód megtalálható a Github oldalon: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (Ref. 125) és a kód -óceánon: https://codeocean.com/capsule/9605539/ Fa/ v1 (126. link) és https://codeocean.com/capsule/0799002/tree/v1 (127. link).
Ritchie, S. Science Fiction: Hogyan aláássák a csalás, az elfogultság, a csend és a hype a hype -t (Vintage, 2020).
Nyílt tudományos együttműködés. A reprodukálhatóság értékelése a pszichológiai tudományban. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. és Asadullah, K. Hidd el vagy sem: Mennyire támaszkodhatunk a potenciális kábítószer -célok közzétett adatokra? Nat. Rev. „A drogok felfedezése”. 10, 712 (2011).
Begley, KG és Ellis, LM, a preklinikai rák kutatásának szabványainak emelése. Nature 483, 531–533 (2012).
A. Gelman és E. Loken, a Forking Paths kertje: Miért jelent problémát a többszörös összehasonlítások még „halászati expedíciók” vagy „p-hacks” és előre formált kutatási hipotézisek nélkül is. 348, 1–17 (Statisztikai Tanszék, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. és Shi, D. Machine Learning új alapfizika keresésére. Nat. A fizika filozófiájának doktora. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM és Ahsan MJ. Gépi tanulás a kábítószer -felfedezésben: áttekintés. Atif. Intel. Szerk. 55, 1947–1999 (2022).
Mather, AS és Coote, ML mély tanulás a kémiában. J.Chemistry. értesítse. Modell. 59, 2545–2559 (2019).
Rajkomar A., Dean J. és Kohan I. Gépi tanulás az orvostudományban. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts Me. és Stewart BM gépi tanulás a társadalomtudományban: Agnosztikus megközelítés. Ann Ball tiszteletes. tudomány. 24, 395–419 (2021).
Jump, J. et al. Készítsen nagyon pontos fehérjeszerkezet -előrejelzéseket az Alphafold segítségével. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. és Gil, Y. A gépi tanulásban az újbóli megsemmisíthetőség forrásai: áttekintés. Előre elérhető a https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. és Rahimi, A. győztes átok? Az empirikus bizonyítékok sebességéről, előrehaladásáról és szigoráról (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. és Zobel, J. Nem additív fejlesztések: Előzetes keresési eredmények 1998 óta.
Kapoor, S. és Narayanan, A. Szivárgási és reprodukálhatósági válságok a gépi tanuláson alapuló tudományban. Minták, 4, 100804 (2023).
Kapoor S. et al. Reform: A gépi tanuláson alapuló tudományos jelentési szabványok. Előre elérhető a https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C. és Recht, B. Az értelmetlen összehasonlítások hamis optimizmushoz vezethetnek az orvosi gépek tanulásában. PLOS ONE 12, E0184604 (2017).
Roberts, M., et al. Általános buktatók és bevált gyakorlatok a gépi tanulás használatához a COVID-19 észlelésére és előrejelzésére a mellkasi röntgenfelvételekből és a számítógépes tomográfiából. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Prediktív modellek a COVID-19 diagnosztizálására és előrejelzésére: szisztematikus áttekintés és kritikus értékelés. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS és Pollard KS a gépi tanulás használatának a genomikában való felhasználásának buktatásainak leküzdésével. Nat. Ginette lelkész. 23, 169–181 (2022).
Atris N. et al. A gépi tanulás legjobb gyakorlatai a kémia területén. Nat. Vegyi anyag. 13, 505–508 (2021).
Brunton SL és Kutz JN ígéretes útmutatások a részleges differenciálegyenletek gépi tanulásához. Nat. számítsa el. tudomány. 4, 483–494 (2024).
Vinuesa, R. és Brunton, SL, javítva a számítási folyadék dinamikáját a gépi tanulás révén. Nat. számítsa el. tudomány. 2, 358–366 (2022).
Comeau, S. et al. Tudományos gépi tanulás fizikailag tájékozott neurális hálózatokkal: hol vagyunk most és mi a következők. J. Science. számítsa el. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. és Xiao, H. A turbulencia modellezése az adatok korszakában. Ann felülvizsgált kiadása. 51, 357–377 (2019).
Durran, DR numerikus módszerek a hullám egyenletek megoldására a Geophysical Hydrodynamics -ben, vol. 32 (Springer, 2013).
Mishra, S. Gépi tanulási keret a differenciálegyenletek adatközpontú kiszámításának felgyorsítására. matematika. mérnök. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Gépi tanulás - A számítási folyadék dinamikájának gyorsulása. folyamat. Nemzeti Tudományos Akadémia. tudomány. US 118, E2101784118 (2021).
Kadapa, K. Gépi tanulás a számítástechnika és a mérnöki munka érdekében - rövid bevezetés és néhány kulcsfontosságú kérdés. Előre elérhető a https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. és Zanna, L. A gépi tanulási óceán algrid paraméterezésének összehasonlító elemzése idealizált modellekben. J.Adv. Modell. Földrendszer. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. és Brandstetter, J. PDE finomítás: pontos hosszú extrudálások elérése neurális PDE -megoldóval. 37. konferencia a neurális információfeldolgozó rendszerekről (Neurips 2023).
Frachas, PR et al. A háttérpropagációs algoritmus és a rezervoár kiszámítása visszatérő ideghálózatokban a komplex térbeli időbeli dinamika előrejelzésére. Neurális hálózat. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. és Karniadakis, GE Physics, Számítástechnika, Neurális Hálózatok: Mély tanulási keret a nemlineáris részleges differenciálegyenletek előremenő és inverz problémáinak megoldására. J. Computer. fizika. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. és Schönlieb, K.-B. A fizika alapú neurális hálózatok felülmúlhatják-e a véges elem módszereit? IMA J. Alkalmazások. matematika. 89, 143–174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M. és Gómez-Romero, J. Fizikai alapú neurális hálózatok az adatközpontú modellezéshez: előnyök, korlátozások és lehetőségek. fizika. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Egy empirikus jelentés a fizika alapú neurális hálózatokról a folyadékmodellezésben: buktatók és csalódások. Előre elérhető a https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. és Barba, az LA, a fizikailag tájékozott neurális hálózatok prediktív korlátai az örvényképződésről. Előre elérhető a https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. és Percaris, P. mikor és miért nem edzik a pinns: idegi érintőmag -perspektíva. J. Computer. fizika. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. és Mahoney, MW A lehetséges meghibásodási módok jellemzői a fizikai információkban az idegi hálózatokban. 35. konferencia a neurális információfeldolgozó rendszerekről Vol. 34, 26548–26560 (Neurips 2021).
Basir, S. és Senokak, I. A fizika-alapú neurális hálózatok kudarc-módjainak kritikus vizsgálata. Az AIAA SCITECH 2022 2353 fórum (Ark, 2022).
Karnakov P., Litvinov S. és Koumoutsakos P. A fizikai inverz problémák megoldása a diszkrét veszteségek optimalizálásával: gyors és pontos tanulás ideghálózatok nélkül. folyamat. Nemzeti Tudományos Akadémia. tudomány. Nexus 3, PGAE005 (2024).
Gundersen OE A reprodukálhatóság alapelvei. Phil.Cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E és Pearson A. Szisztematikus áttekintések: Áttekintés. Igen. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS és Rohde, K. A Riemann-problémához a Constraint-tudatos ideghálózatok. J. Computer. fizika. 409, 109345 (2020).
Bezgin DA, Schmidt SJ és Adams NA adatközpontú fizikailag tájékozott véges térfogatú áramkör nem klasszikus csökkentett feszültség-sokkokhoz. J. Computer. fizika. 437, 110324 (2021).
A postai idő: szeptember-29-2024