Terima kasih telah mengunjungi Nature.com. Versi browser yang Anda gunakan memiliki dukungan CSS terbatas. Untuk hasil terbaik, kami menyarankan Anda menggunakan versi yang lebih baru dari browser Anda (atau menonaktifkan mode kompatibilitas di Internet Explorer). Sementara itu, untuk memastikan dukungan yang berkelanjutan, kami menunjukkan situs tanpa gaya atau javascript.
Salah satu aplikasi pembelajaran mesin yang paling menjanjikan dalam fisika komputasi adalah solusi yang dipercepat dari persamaan diferensial parsial (PDE). Tujuan utama pemecah persamaan diferensial parsial berbasis pembelajaran mesin adalah untuk menghasilkan solusi yang cukup akurat lebih cepat daripada metode numerik standar untuk berfungsi sebagai perbandingan dasar. Kami pertama -tama melakukan tinjauan sistematis literatur pembelajaran mesin tentang pemecahan persamaan diferensial parsial. Dari semua makalah yang melaporkan penggunaan ML untuk menyelesaikan persamaan diferensial parsial cairan dan mengklaim superioritas dibandingkan metode numerik standar, kami mengidentifikasi 79% (60/76) dibandingkan dengan garis dasar yang lemah. Kedua, kami menemukan bukti bias pelaporan yang meluas, terutama dalam pelaporan hasil dan bias publikasi. Kami menyimpulkan bahwa penelitian pembelajaran mesin tentang penyelesaian persamaan diferensial parsial terlalu optimis: data input yang lemah dapat menyebabkan hasil yang terlalu positif, dan pelaporan bias dapat menyebabkan pelaporan hasil negatif yang kurang. Sebagian besar, masalah ini tampaknya disebabkan oleh faktor -faktor yang mirip dengan krisis reproduktifitas masa lalu: kebijaksanaan peneliti dan bias hasil positif. Kami menyerukan perubahan budaya bottom-up untuk meminimalkan pelaporan bias dan reformasi struktural top-down untuk mengurangi insentif sesat untuk melakukannya.
Daftar penulis dan artikel yang dihasilkan oleh tinjauan sistematis, serta klasifikasi setiap artikel dalam sampel acak, tersedia secara publik di https://doi.org/10.17605/osf.io/gq5b3 (ref. 124).
Kode yang diperlukan untuk mereproduksi hasil pada Tabel 2 dapat ditemukan di github: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (ref. 125) dan pada kode lautan: https://codeocean.com/capsule/9605539/ Pohon/ v1 (tautan 126) dan https://codeocean.com/capsule/0799002/tree/v1 (tautan 127).
Randall, D., dan Welser, K., Krisis yang tidak dapat direproduksi dalam sains modern: penyebab, konsekuensi, dan jalur reformasi (Asosiasi Ilmuwan Nasional, 2018).
Ritchie, S. Fiksi Ilmiah: Bagaimana Penipuan, Bias, Keheningan, dan Hype Merongrong Pencarian Kebenaran (Vintage, 2020).
Kolaborasi ilmiah terbuka. Menilai reproduktifitas dalam ilmu psikologis. Sains 349, AAAC4716 (2015).
Prinz, F., Schlange, T., dan Asadullah, K. Percaya atau tidak: Berapa banyak yang dapat kita andalkan pada data yang dipublikasikan tentang target obat potensial? Nat. Pdt. “Penemuan Obat -obatan.” 10, 712 (2011).
Begley, KG dan Ellis, LM meningkatkan standar dalam penelitian kanker praklinis. Alam 483, 531–533 (2012).
A. Gelman dan E. Loken, The Garden of Forking Paths: Mengapa beberapa perbandingan menjadi masalah bahkan tanpa "ekspedisi memancing" atau "p-hacks" dan hipotesis penelitian yang telah dibentuk sebelumnya, vol. 348, 1–17 (Departemen Statistik, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., dan Shi, D. Pembelajaran mesin untuk mencari fisika fundamental baru. Nat. Dokter Filsafat dalam Fisika. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM dan Ahsan MJ. Pembelajaran Mesin dalam Penemuan Obat: Ulasan. Alif. Intel. Ed. 55, 1947–1999 (2022).
Mather, As dan Coote, ML Deep Learning in Chemistry. J.Chemistry. memberitahu. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. dan Kohan I. Pembelajaran Mesin dalam Kedokteran. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts saya. dan Stewart BM Machine Learning dalam Ilmu Sosial: Pendekatan Agnostik. Pdt. Ann Ball. sains. 24, 395–419 (2021).
Jump, J. et al. Buat prediksi struktur protein yang sangat akurat menggunakan Alphafold. Alam 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., dan Gil, Y. Sumber ketidakjelasan dalam pembelajaran mesin: ulasan. Praprint tersedia di https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., dan Rahimi, A. Kutukan Pemenang? Pada kecepatan, kemajuan dan ketelitian bukti empiris (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., dan Zobel, J. Peningkatan Non-Aditif: Hasil Pencarian Pendahuluan Sejak 1998. Konferensi ACM ke-18 tentang Manajemen Informasi dan Pengetahuan 601-610 (ACM 2009).
Kapoor, S. dan Narayanan, A. Krisis kebocoran dan reproduktifitas dalam sains berbasis pembelajaran mesin. Pola, 4, 100804 (2023).
Kapoor S. et al. Reformasi: Standar pelaporan ilmiah berdasarkan pembelajaran mesin. Pracetak tersedia di https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C., dan Recht, B. Perbandingan yang tidak berarti dapat menyebabkan optimisme palsu dalam pembelajaran mesin medis. PLoS One 12, E0184604 (2017).
Roberts, M., et al. Jebakan umum dan praktik terbaik untuk menggunakan pembelajaran mesin untuk mendeteksi dan memprediksi COVID-19 dari rontgen dada dan tomografi terkomputasi. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Model prediktif untuk diagnosis dan prognosis COVID-19: tinjauan sistematis dan penilaian kritis. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS dan Pollard KS mengatasi perangkap menggunakan pembelajaran mesin dalam genomik. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Praktik terbaik untuk pembelajaran mesin dalam kimia. Nat. Kimia. 13, 505–508 (2021).
Brunton SL dan Kutz JN menjanjikan arahan untuk pembelajaran mesin dari persamaan diferensial parsial. Nat. Hitung. sains. 4, 483–494 (2024).
Vinuessa, R. dan Brunton, SL meningkatkan dinamika fluida komputasi melalui pembelajaran mesin. Nat. menghitung. sains. 2, 358-366 (2022).
Comeau, S. et al. Pembelajaran mesin ilmiah dengan jaringan saraf yang diinformasikan secara fisik: di mana kita sekarang dan apa selanjutnya. J. Science. Hitung. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., dan Xiao, H. Turbulence pemodelan di era data. Edisi Revisi Ann. 51, 357–377 (2019).
Durran, DR Metode Numerik untuk Memecahkan Persamaan Gelombang dalam Hidrodinamika Geofisika, Vol. 32 (Springer, 2013).
Mishra, S. Kerangka kerja pembelajaran mesin untuk mempercepat perhitungan data yang didorong oleh persamaan diferensial. matematika. insinyur. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et al. Pembelajaran Mesin - Akselerasi dinamika fluida komputasi. proses. Akademi Ilmu Pengetahuan Nasional. sains. US 118, E2101784118 (2021).
Kadapa, K. Pembelajaran mesin untuk ilmu komputer dan teknik - pengantar singkat dan beberapa masalah utama. Pracetak tersedia di https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., dan Zanna, L. Analisis komparatif parameterisasi subgrid pembelajaran mesin dalam model ideal. J.Adv. Model. Sistem Bumi. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., dan Brandstetter, J. PDE Penyempurnaan: Mencapai ekstrusi panjang yang akurat dengan solver PDE saraf. Konferensi ke -37 tentang Sistem Pemrosesan Informasi Saraf (Neurips 2023).
Frachas, PR et al. Algoritma backpropagation dan perhitungan reservoir dalam jaringan saraf berulang untuk memprediksi dinamika spatiotemporal yang kompleks. jaringan saraf. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. dan Karniadakis, Fisika GE, Ilmu Komputer, Jaringan Saraf: Kerangka pembelajaran yang mendalam untuk menyelesaikan masalah ke depan dan terbalik yang melibatkan persamaan diferensial parsial nonlinier. J. Komputer. fisika. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., dan Schönlieb, K.-b. Dapatkah jaringan saraf berbasis fisika mengungguli metode elemen hingga? Aplikasi IMA J. matematika. 89, 143–174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M., dan Gómez-Romero, J. Jaringan saraf berbasis fisika untuk pemodelan berbasis data: keuntungan, keterbatasan, dan peluang. fisika. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Sebuah laporan empiris tentang jaringan saraf berbasis fisika dalam pemodelan cairan: jebakan dan kekecewaan. Pracetak tersedia di https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. dan Barba, keterbatasan prediktif dari jaringan saraf yang diinformasikan secara fisik pada pembentukan vortex. Pracetak tersedia di https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., dan Perdikaris, P. Kapan dan mengapa pinn gagal melatih: perspektif nukleus singgung saraf. J. Komputer. fisika. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., dan Mahoney, MW Karakteristik Mode Kegagalan yang Kemungkinan dalam Informasi Fisik Jaringan Saraf. Konferensi ke -35 tentang Sistem Pemrosesan Informasi Saraf Vol. 34, 26548–26560 (Neurips 2021).
Basir, S. dan Senokak, I. Studi kritis mode kegagalan dalam jaringan saraf berbasis fisika. Dalam AIAA Scitech 2022 Forum 2353 (Ark, 2022).
Karnakov P., Litvinov S. dan Koumoutsakos P. Memecahkan masalah terbalik fisik dengan mengoptimalkan kerugian diskrit: pembelajaran cepat dan akurat tanpa jaringan saraf. proses. Akademi Ilmu Pengetahuan Nasional. sains. Nexus 3, PGAE005 (2024).
Gundersen dari prinsip -prinsip dasar reproduktifitas. Phil.Cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E dan Pearson A. Ulasan Sistematik: Tinjauan Umum. Ya. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, dan Rohde, K. Ksatpatan-Sehasi Neural untuk masalah Riemann. J. Komputer. fisika. 409, 109345 (2020).
Bezgin DA, Schmidt SJ dan Adams NA yang didorong oleh data sirkuit volume terbatas secara fisik untuk guncangan tegangan pengurangan non-klasik. J. Komputer. fisika. 437, 110324 (2021).
Waktu posting: Sep-29-2024