Grazie per aver visitato Nature.com. La versione del browser che stai utilizzando ha un supporto CSS limitato. Per i migliori risultati, ti consigliamo di utilizzare una versione più recente del browser (o di disabilitare la modalità di compatibilità in Internet Explorer). Nel frattempo, per garantire un supporto continuo, stiamo mostrando il sito senza styling o JavaScript.
Una delle applicazioni più promettenti dell'apprendimento automatico nella fisica computazionale è la soluzione accelerata delle equazioni differenziali parziali (PDE). L'obiettivo principale di un risolutore di equazioni differenziali parziali basata sull'apprendimento automatico è quello di produrre soluzioni abbastanza accurate più velocemente rispetto ai metodi numerici standard da fungere da confronto di base. Per prima cosa conduciamo una revisione sistematica della letteratura per l'apprendimento automatico sulla risoluzione di equazioni differenziali parziali. Di tutti gli articoli che riportano l'uso di ML per risolvere equazioni differenziali parziali fluide e rivendicare la superiorità rispetto ai metodi numerici standard, abbiamo identificato il 79% (60/76) rispetto alle baseline deboli. In secondo luogo, abbiamo trovato prove di distorsioni diffuse di segnalazione, in particolare nella distorsione dei risultati e della pubblicazione dei risultati. We conclude that machine learning research on solving partial differential equations is overly optimistic: weak input data can lead to overly positive results, and reporting bias can lead to underreporting of negative results. In large part, these problems appear to be caused by factors similar to past reproducibility crises: investigator discretion and positive outcome bias. We call for bottom-up cultural change to minimize biased reporting and top-down structural reform to reduce perverse incentives to do so.
L'elenco di autori e articoli generati dalla revisione sistematica, nonché la classificazione di ciascun articolo nel campione casuale, è disponibile pubblicamente su https://doi.org/10.17605/osf.io/gq5b3 (rif. 124).
Il codice necessario per riprodurre i risultati nella Tabella 2 è disponibile su GitHub: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (rif. 125) e su codice oceano: https://codeocean.com/capsule/9605539/ Albero/ v1 (link 126) e https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Randall, D. e Welser, K., La crisi dell'irreproducibilità nella scienza moderna: cause, conseguenze e percorsi per la riforma (National Association of Scientists, 2018).
Ritchie, S. Science Fiction: come frode, pregiudizio, silenzio e clamore minano la ricerca della verità (Vintage, 2020).
Collaborazione scientifica aperta. Valutare la riproducibilità nella scienza psicologica. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. e Asadullah, K. Che ci crediate o no: quanto possiamo fare affidamento sui dati pubblicati su potenziali obiettivi di droga? Nat. Rev. "La scoperta di droghe". 10, 712 (2011).
Begley, KG ed Ellis, LM Raising Standards nella ricerca preclinica sul cancro. Nature 483, 531–533 (2012).
A. Gelman ed E. Loken, il giardino dei percorsi di biforcazione: perché confronti multipli sono un problema anche senza "spedizioni di pesca" o "p-hack" e ipotesi di ricerca preformate, vol. 348, 1–17 (Dipartimento di Statistica, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. e Shi, D. Machine Learning alla ricerca di nuovi fisici fondamentali. Nat. Dottore della filosofia in fisica. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM e Ahsan MJ. Apprendimento automatico nella scoperta di droghe: una revisione. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS e Coote, ML Deep Learning in chimica. J.Chemistry. notificare. Modello. 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 nelle scienze sociali: un approccio agnostico. Rev. Ann Ball. scienza. 24, 395–419 (2021).
Jump, J. et al. Effettuare previsioni di struttura proteica altamente accurate usando Alphafold. Natura 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. e Gil, Y. Fonti di irremoribilità nell'apprendimento automatico: una revisione. Preprint disponibile su https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. e Rahimi, maledizione del vincitore A.? Sulla velocità, il progresso e il rigore delle prove empiriche (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. e Zobel, J. Miglioramenti non additivi: risultati preliminari di ricerca dal 1998. 18a Conferenza ACM sulla gestione dell'informazione e delle conoscenze 601–610 (ACM 2009).
Kapoor, S. e Narayanan, A. perdite e crisi di riproducibilità nella scienza basata sull'apprendimento automatico. Modelli, 4, 100804 (2023).
Kapoor S. et al. Riforma: standard di reporting scientifico basati sull'apprendimento automatico. Preprint disponibile su https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C. e Recht, B. Confronti insignificanti possono portare a un falso ottimismo nell'apprendimento automatico medico. PLOS ONE 12, E0184604 (2017).
Roberts, M., et al. Insidie comuni e migliori pratiche per l'uso dell'apprendimento automatico per rilevare e prevedere Covid-19 dai raggi X del torace e tomografia computerizzata. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Modelli predittivi per la diagnosi e la prognosi di Covid-19: una revisione sistematica e una valutazione critica. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS e Pollard KS che superano le insidie dell'uso dell'apprendimento automatico in genomica. Nat. Pastore Ginette. 23, 169–181 (2022).
Atris N. et al. Best practice per l'apprendimento automatico in chimica. Nat. Chimico. 13, 505–508 (2021).
Brunton SL e Kutz JN promettenti direzioni per l'apprendimento automatico di equazioni differenziali parziali. Nat. calcolare. scienza. 4, 483–494 (2024).
Vinuesa, R. e Brunton, SL migliorando la fluidodinamica computazionale attraverso l'apprendimento automatico. Nat. calcolare. scienza. 2, 358–366 (2022).
Comeau, S. et al. Apprendimento automatico scientifico con reti neurali fisicamente informate: dove siamo ora e cosa ci verrà. J. Science. calcolare. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. e Xiao, Modellazione della turbolenza H. nell'era dei dati. Edizione rivista di Ann. 51, 357–377 (2019).
Durran, DR Metodi numerici per risolvere le equazioni delle onde nell'idrodinamica geofisica, vol. 32 (Springer, 2013).
Mishra, S. Un framework di apprendimento automatico per accelerare il calcolo basato sui dati delle equazioni differenziali. matematica. ingegnere. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et al. Apprendimento automatico - Accelerazione della fluidodinamica computazionale. processo. National Academy of Sciences. Scienza. US 118, E2101784118 (2021).
Kadapa, K. Learning automatico per informatica e ingegneria - Una breve introduzione e alcuni problemi chiave. Preprint disponibile su https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. e Zanna, L. Analisi comparativa della parametrizzazione del sottogrido Ocean di Machine Learning in modelli idealizzati. J.ADV. Modello. Sistema di terra. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. e Brandstetter, raffinatezza di J. PDE: raggiungimento di lunghe estrusioni accurate con un risolutore di PDE neurale. 37a conferenza sui sistemi di elaborazione delle informazioni neurali (Neurips 2023).
Frachas, Pr et al. Algoritmo di backpropagation e calcolo del serbatoio nelle reti neurali ricorrenti per prevedere una dinamica spazio -temporale complessa. rete neurale. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. e Karniadakis, GE Physics, Informatica, reti neurali: un quadro di apprendimento profondo per risolvere problemi inverse e inverse che coinvolgono equazioni differenziali parziali non lineari. J. Computer. fisica. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. e Schönlieb, K.-B. Le reti neurali basate sulla fisica possono sovraperformare i metodi di elementi finiti? Applicazioni IMA J. matematica. 89, 143–174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M. e Gómez-Romero, J. Neurals basati su fisica per la modellazione basata sui dati: vantaggi, limitazioni e opportunità. fisica. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA un rapporto empirico sulle reti neurali basate sulla fisica nella modellazione fluida: insidie e delusioni. Preprint disponibile su https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. e Barba, LA Limitazioni predittive di reti neurali fisicamente informate sulla formazione di vortice. Preprint disponibile su https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. e Perdikaris, P. Quando e perché Pinns non si allenano: una prospettiva nucleo tangente neurale. J. Computer. fisica. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. e Mahoney, MW Caratteristiche di possibili modalità di fallimento nelle reti neurali di informazioni fisiche. 35a conferenza sui sistemi di elaborazione delle informazioni neurali Vol. 34, 26548–26560 (Neurips 2021).
Basir, S. e Senokak, I. Uno studio critico delle modalità di fallimento nelle reti neurali basate sulla fisica. Nel forum AIAA Scitech 2022 2353 (ARK, 2022).
Karnakov P., Litvinov S. e Koumoutaskos P. Risoluzione di problemi inversi fisici ottimizzando perdite discrete: apprendimento rapido e accurato senza reti neurali. processo. National Academy of Sciences. scienza. Nexus 3, PGAE005 (2024).
Gundersen OE Principi di base della riproducibilità. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E e Pearson A. Recensioni sistematiche: una panoramica. SÌ. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Heshaven, JS e Rohde, K. Reti neurali consapevoli del vincolo per il problema di Riemann. J. Computer. fisica. 409, 109345 (2020).
Bezgin DA, Schmidt SJ e ADAMS NA, circuito di volume finito fisicamente guidato dai dati per shock di tensione ridotta non classica. J. Computer. fisica. 437, 110324 (2021).
Tempo post: set-29-2024