Nature.com을 방문해 주셔서 감사합니다. 사용중인 브라우저 버전에는 CSS 지원이 제한되어 있습니다. 최상의 결과를 얻으려면 최신 버전의 브라우저 (또는 Internet Explorer에서 호환성 모드 비활성화)를 사용하는 것이 좋습니다. 그 동안 지속적인 지원을 보장하기 위해 스타일링이나 JavaScript없이 사이트를 표시하고 있습니다.
계산 물리학에서 기계 학습의 가장 유망한 응용 중 하나는 부분 미분 방정식 (PDE)의 가속화 된 솔루션입니다. 기계 학습 기반 부분 미분 방정식 솔버의 주요 목표는 기준선 비교 역할을 수행하기 위해 표준 수치 방법보다 빠른 솔루션을 생산하는 것입니다. 우리는 먼저 부분 미분 방정식 해결에 대한 기계 학습 문헌에 대한 체계적인 검토를 수행합니다. 유체 부분 미분 방정식을 해결하기 위해 ML의 사용을보고하고 표준 수치 방법에 비해 우수성을 주장하는 모든 논문 중에서, 우리는 약한 기준선에 비해 79% (60/76)를 확인했습니다. 둘째, 우리는 특히 결과보고 및 출판 편향에서 광범위한보고 편견의 증거를 발견했습니다. 우리는 부분 미분 방정식을 해결하는 데 대한 기계 학습 연구가 지나치게 낙관적이라고 결론을 내립니다. 입력 데이터가 약한 결과가 지나치게 긍정적 인 결과로 이어질 수 있으며,보고 편향은 부정적인 결과를 과소보고 할 수 있습니다. 대부분, 이러한 문제는 과거의 재현성 위기와 유사한 요인, 즉 수사관 재량 및 긍정적 인 결과 편견으로 인한 것으로 보입니다. 우리는 편향된보고와 하향식 구조 개혁을 최소화하기 위해 상향식 문화적 변화를 요구합니다.
무작위 샘플에서 각 기사의 분류뿐만 아니라 체계적인 검토에서 생성 된 저자 및 기사 목록은 https://doi.org/10.17605/osf.io/gq5b3 (참조 124)에서 공개적으로 제공됩니다.
표 2의 결과를 재현하는 데 필요한 코드는 github : https://github.com/nickmcgreivy/weakbaselinesmlpde/ (참조 125) 및 Code Ocean : https://codeocean.com/capsule/9605539/에서 찾을 수 있습니다. 트리/ V1 (링크 126) 및 https://codeocean.com/capsule/0799002/tree/v1 (Link 127).
Randall, D., and Welser, K., 현대 과학의 비현실적 위기 : 개혁을위한 원인, 결과 및 경로 (National Association of Scientists, 2018).
Ritchie, S. 공상 과학 : 사기, 편견, 침묵 및 과대 광고가 진실을 찾는 것을 약화시키는 방법 (Vintage, 2020).
과학적 협력을 개방합니다. 심리 과학의 재현성 평가. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. 및 Asadullah, K. 믿거 나 말거나, 잠재적 인 약물 목표에 대한 게시 된 데이터에 얼마나 의존 할 수 있습니까? Nat. 목사“약물 발견.” 10, 712 (2011).
Begley, KG 및 Ellis, LM 전임상 암 연구의 LM 제기 표준. 자연 483, 531–533 (2012).
A. Gelman and E. Loken, 포킹 경로 정원 : "낚시 원정"또는 "P- 하락"이 없어도 다중 비교가 문제가되는 이유 및 미리 형성 된 연구 가설, vol. 348, 1–17 (통계 부, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. 및 Shi, D. Machine Learning 새로운 기본 물리학을 검색합니다. Nat. 물리학의 철학 박사. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM 및 Ahsan MJ. 약물 발견의 기계 학습 : 검토. Atif. 인텔. 에드. 55, 1947–1999 (2022).
Mather, AS 및 Coote, ML 화학의 딥 러닝. J. 화학. 알림. 모델. 59, 2545–2559 (2019).
Rajkomar A., Dean J. 및 Kohan I. 의학 기계 학습. 뉴 잉글랜드 의학 저널. 380, 1347–1358 (2019).
Grimmer J, Roberts Me. 사회 과학의 스튜어트 BM 머신 러닝 : 불가지론 적 접근. 앤 볼 목사. 과학. 24, 395–419 (2021).
점프, J. et al. Alphafold를 사용하여 매우 정확한 단백질 구조 예측을 만듭니다. 자연 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. 및 Gil, Y. 머신 러닝에서의 부적절한 소스 : 검토. Preprint는 https://arxiv.org/abs/2204.07610 (2022)에서 사용할 수 있습니다.
Scully, D., Snook, J., Wiltschko, A. 및 Rahimi, A. Winner 's Curse? 경험적 증거의 속도, 진보 및 엄격함 (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. 및 Zobel, J. 비 additive 향상 : 1998 년부터 예비 검색 결과 정보 및 지식 관리에 관한 ACM 회의 601–610 (ACM 2009).
Kapoor, S. 및 Narayanan, A. 기계 학습 기반 과학의 누출 및 재현성 위기. 패턴, 4, 100804 (2023).
Kapoor S. et al. 개혁 : 기계 학습을 기반으로 한 과학적보고 표준. Preprint는 https://arxiv.org/abs/2308.07832 (2023)에서 사용할 수 있습니다.
Demasi, O., Cording, C. 및 Recht, B. 의미없는 비교는 의료 기계 학습에서 잘못된 낙관론을 유발할 수 있습니다. PLOS ONE 12, E0184604 (2017).
Roberts, M., et al. 기계 학습을 사용하여 흉부 X- 레이 및 컴퓨터 단층 촬영에서 COVID-19를 감지하고 예측하기위한 일반적인 함정 및 모범 사례. Nat. 맥스. 인텔. 3, 199–217 (2021).
Winantz L. et al. Covid-19의 진단 및 예후에 대한 예측 모델 : 체계적인 검토 및 비판적 평가. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS 및 Pollard KS는 유전체학에서 기계 학습을 사용하는 함정을 극복합니다. Nat. Ginette 목사. 23, 169–181 (2022).
Atris N. et al. 화학 기계 학습을위한 모범 사례. Nat. 화학적인. 13, 505–508 (2021).
Brunton SL 및 Kutz JN 부분 미분 방정식의 기계 학습을위한 유망한 지시. Nat. 믿다. 과학. 4, 483–494 (2024).
Vinuesa, R. 및 Brunton, SL 머신 러닝을 통한 계산 유체 역학 개선. Nat. 믿다. 과학. 2, 358–366 (2022).
Comeau, S. et al. 물리적으로 정보에 입각 한 신경망을 가진 과학적 기계 학습 : 우리가 지금 어디에 있고 다음에 무엇을. J. 과학. 믿다. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. 및 Xiao, H. Turbulence 모델링. 앤의 개정판. 51, 357–377 (2019).
Durran, 지구 물리학 유체 역학에서 파동 방정식을 해결하기위한 DR 수치 방법, vol. 32 (Springer, 2013).
Mishra, S. 미분 방정식의 데이터 중심 계산을 가속화하기위한 머신 러닝 프레임 워크. 수학. 엔지니어. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et al. 기계 학습 - 계산 유체 역학의 가속도. 프로세스. 국립 과학 아카데미. 과학. US 118, E2101784118 (2021).
Kadapa, K. 컴퓨터 과학 및 엔지니어링을위한 머신 러닝 - 간단한 소개 및 몇 가지 주요 문제. Preprint는 https://arxiv.org/abs/2112.12054 (2021)에서 사용할 수 있습니다.
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. 및 Zanna, L. 이상적인 모델에서 기계 학습 해양 하위 그리드 매개 변수화의 비교 분석. J.adv. 모델. 지구 시스템. 15. E2022ms003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. 및 Brandstetter, J. PDE 정제 : 신경 PDE 솔버로 정확한 긴 압출을 달성합니다. 신경 정보 처리 시스템에 관한 제 37 차 회의 (Neurips 2023).
Frachas, Pr et al. 복잡한 시공간 역학을 예측하기위한 재발 신경 네트워크에서 역설 알고리즘 및 저수지 계산. 신경망. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. 및 Karniadakis, GE Physics, Computer Science, Neural Networks : 비선형 부분 미분 방정식과 관련된 전진 및 역 문제를 해결하기위한 딥 러닝 프레임 워크. J. 컴퓨터. 물리학. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. 및 Schönlieb, K.-B. 물리 기반 신경망이 유한 요소 방법을 능가 할 수 있습니까? IMA J. 응용 프로그램. 수학. 89, 143–174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M. 및 Gómez-Romero, J. 데이터 중심 모델링을위한 물리학 기반 신경망 : 장점, 한계 및 기회. 물리학. 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA 유체 모델링의 물리 기반 신경망에 대한 경험적 보고서 : 함정 및 실망. Preprint는 https://arxiv.org/abs/2205.14249 (2022)에서 사용할 수 있습니다.
Zhuang, P.-Y. 그리고 Barba, LA 와류 형성에 대한 물리적으로 정보에 입각 한 신경망의 예측 한계. Preprint는 https://arxiv.org/abs/2306.00230 (2023)에서 사용할 수 있습니다.
Wang, S., Yu, H. 및 Perdikaris, P. Pinns가 훈련하지 않는시기와 이유 : 신경 접선 핵 관점. J. 컴퓨터. 물리학. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. 및 Mahoney, 물리 정보 신경망에서 가능한 실패 모드의 MW 특성. 신경 정보 처리 시스템 35 차 회의 vol. 34, 26548–26560 (Neurips 2021).
Basir, S. 및 Senokak, I. 물리 기반 신경망의 실패 모드에 대한 비판적 연구. AIAA Scitech 2022 Forum 2353 (Ark, 2022).
Karnakov P., Litvinov S. 및 Koumoutsakos P. 개별 손실을 최적화하여 물리적 역 문제 해결 : 신경망이없는 빠르고 정확한 학습. 프로세스. 국립 과학 아카데미. 과학. Nexus 3, PGAE005 (2024).
Gundersen OE 재현성의 기본 원리. Phil.Cross. R. Shuker. 379, 20200210 (2021).
Aromataris E 및 Pearson A. 체계적인 검토 : 개요. 예. J. 간호 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS 및 Rohde, K. Riemann 문제에 대한 제약 조건을 인식 신경 네트워크. J. 컴퓨터. 물리학. 409, 109345 (2020).
Bezgin DA, Schmidt SJ 및 Adams Na 데이터 중심의 물리적으로 정보에 입각 한 유한 부피 회로는 비전기 감소 된 전압 충격을위한 유한 부피 회로. J. 컴퓨터. 물리학. 437, 110324 (2021).
시간 후 : 2024 년 9 월 29 일