Merci fir d'mannst d'Natur.com ze besichen. D'Versioun vum Browser deen Dir benotzt huet, huet limitéiert CSS Support. Fir déi bescht Resultater, déi mir recommandéieren, datt Dir eng nei Versioun vun Ärem Browser benotzt (oder Kompatibilitéitsmodus am Internet Explorer) benotzt. An der Tëschenzäit, sëchegent Ënnerstëtzung ze séngen, mir weisen de Site ouni de Site oder Javascript.
One of the most promising applications of machine learning in computational physics is the accelerated solution of partial differential equations (PDEs). Den Haaptziel vun engem Maschinnenstränkungsstrofzäit-baséiert partial Diquative Ecran Solar ass Léisunge fir Léisungen ze produzéieren wéi Standardminompléise wéi Standardminatorien als Standardminateur. Mir féieren d'éischt eng systematesch Iwwerpréiwung vun der Maschinn Literatur op der léisen Partiell Differential Equation. Of all the papers reporting the use of ML to solve fluid partial differential equations and claiming superiority over standard numerical methods, we identified 79% (60/76) compared to weak baselines. Zweet, hu mir ee Beweis profitabel vun afueraf Ofbriechen vun Lië gläichzäiteg an d'Gewinnzichtung a Verëffentlechung Bias. 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.
De Code huet gebraucht fir d'Resultater an der Table 2 ze reproduzéieren kann op Github fonnt ginn: https:/githubs.com/nickcgfrevirivy/wakpfallingMlpte/ (Ref. 125/96055/9605/ Bam / V1 (Link 126) an https://colodo.com/capsUs/0799002/v1/v1 (Link 127).
Band Duerfir, L. a Wisto, de MéreSpreabilitéit op der Leit, verursaache, Bannonue: D'Reformissikatiounen, bewäert.) Konsequenze fir Am Reform (National Assdons (Nationalregbeit:
Ritchie, S. Science Fiction: Wéi fragd, bias, Stille, an Hype ënnergi fir d'Wahrheet (Vintage, 2020).
Gekenntbare wëssenschaftlech Zesummenaarbecht. Bewäertung Reproducibilitéit an der psychologescher Wëssenschaft. Wëssenschaft 349, AAAC4716 (2015).
Prät, F., Schéiwe, T.-, an Aadolllam, K. G Wéi si oder net: Wéivill kënnen mir op publizéiert ginn ugewisen op verrotten Donnéeën op publizéiert Donnéeën opveruerteneene Bedierfnesser op publizéiert Donnéeën ze verëffentlechen? Nat. Rev. "d'Entdeckung vun Drogen." 10, 712 (2011).
Begéint, kg an Ellis, LM Erhéijung vun Normen a virlinnbare Kriibs Fuerschung. D'Natur 483, 531-533 (2012).
A. Gelman and E. Loken, The Garden of Forking Paths: Why Multiple Comparisons are a Problem Even Without “Fishing Expeditions” or “p-hacks” and Preformed Research Hypotheses, vol. 348, 1-17 (Deputéierte Statistic ARE 2013 2013.
Während dem Karagoniorgi, G., G., kravitz, Sart 2, Bachmann, B. an der Sei, D. an der Shei, D. a shi, D. a séng féiert. Nat. Dokter vun Philosophie an der Physik. 4, 399-412 (2022).
DARE S, Dameverhand S, Jadhav Ss, Babu cm an Ahsan MJ. Maschinn Léiert an der Drogung Entdeckung: eng Iwwerpréiwung. Atif. Intel. Ed. 55, 1947-1999 (2022).
Méi gutt wéi an de Coot, MLwerdränk a Chemie an der Chemieer. Jäitchelgieeen. notéiert. Modell. 59, 2545-2559 (2019).
Rajkomar A., Dean J. a kohan I. Maschinn an der Medizin léieren. New England Journal vun der Medizin. 380, 1347-1358 (2019).
Grimmer J, Roberts mech. an stewart BM Maschinn Léieren a Sozialwëssenschaften: eng agnostesch Approche. Rev. Ann Ball. Associatioun. 24, 395-419 (2021).
Wiessel, J. et al. Maacht héich korrekt Proteinstruktur Prognosen mat Alpharold. D'Natur 596, 583-589 (2021).
Als geiers, den Ene, de Cojousley, Kirmptrick, Kirmatrick, a GIL, Y. Quellen vun enger uerdentlecher Léierpassungen anduerchréckt. Preprint verfügbar op https://arrxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, Miltchko, A., an de Rahimi, A. Gewënner vum A. Gewënner? Op der Vitesse, de Fortschrëtter a Rigorm vun empiresche Beweiser (ICRR, 2018).
Kapoor S. et al. Reform: wëssenschaftlech Rapporting Standards baséiert op Maschinnebedéngungen. Preprint verfügbar op https://arxiv.org/abs/238.07832 (2023).
Deasii, O. Kording, C. a re Liewen, B. Sinnlos Vergläicher kënnen zu falschen Optimismus a medizinesch Maschinn féieren. Plos een 12, E0184604 (2017).
Roberts, M., et al. Gemeinsame Pitfäll a beschte Praktiken fir Maschinn ze benotzen fir de Covid-19 vun der Brust X-Strahlen z'entdecken a virauszesetzen an ze berufflech Tomographie. Nat. Max. Intel. 3, 199-217 (2021).
Winantz l. et al. Virdréckte Modeller fir d'Diagnos a Profifikatioun vu Covid-19: e kompetateschen Iwwerprichtung a Critesch Bewäertung. BMJ 369, M1328 (2020).
Whalle S., Schreiber J., nobelen WS an Pollard Ks iwwer d'Pitfäll vun der Zäitmaschinn an der Generalairen iwwerlafen. Nat. Paschtouer Ginette. 23, 169-181 (2022).
Ernt n. et al. Déi bescht Placke fir Maschinn, déi an der Chimie léieren. Nat. Chemesch. 13, 505-508 (2021).
Brunton SL an Kutz Jn versprécht Richtungen fir Maschinn vun der Partie Differenziell Equatiounen. Nat. berechnen. Associatioun. 4, 483-494 (2024).
Vinuesa, R. a Brunton, sl verbessert computational Flëssegkeet Dynamik duerch Maschinn ze léieren. Nat. berechnen. Associatioun. 2, 358-366 (2022).
Comau, S. et al. Scientific machine learning with physically informed neural networks: Where we are now and what's next. J. Science. calculate. 92, 88 (2022).
Durisamy, K., Yaccarino, G., an Xiao, H. Turbulenzen Modeller an den Daten Era. Reviséiert Editioun vun der Ann. 51, 357-377 (2019).
Durran, Dr numeresch Methode fir ze léisen Wave-Equatiounen an der geophysescher Hyphodynamik, Vol. 32 (Sprénger, 2013).
Mishra, S. E Mache Léierframaschafe fir Daten-Drive Cayday Berechnungsquisiounen ze beschleunegen. Mathematik. Ingenieur. https://ddi.org/10,3934/ine.2011.1,118 (2018).
Kochikov D. et al. Maschinn léiert - Beschleunegung vun der Computerfroalflëssegkeet Dynamik. Prozess. National Akademie vu Wëssenschaften. Associatioun. US 118, E2101784118 (2021).
KAHALLAA, K. Machine Lager fir Computerwëssenheinumm an Engine Spezialitéit a scho Schlësseliller. Preprint verfügbar op https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., and Zanna, L. Comparative analysis of machine learning ocean subgrid parameterization in idealized models. J.adv. Modell. Äerdystem. 15. E2022ms003258 (2023).
Lippel, P., B., Pilstaris, P., Pentettter, J., Pdrewerdrement: Dee generale Schreiwe litilt 376 Konferenz op der ländlecher Informatiounsveraarbechtungsystemer (Naups 2023).
FRACLAS, PR et al. Befroten Algorithmus an Reservoir Berechnung am recurtrent nämlechen Netzwierker fir virauszefridden kompetent Spottenopal Dynamik. neural Netzwierk. 126, 191-217 (2020).
De Rutisi, M. Airaris, P. a Karenadahaus, Gefor, Natierlech Ausrüstung fir weiderzekommen J. Computer. Physik. 378, 686-777 (2019).
Crossmon, Tg, Komooykobille, UJ, Lunn, hu a Schlannlienb, K.-b. Kann Physik-baséiert Numlandworks Outperform finite Element Methode Outhate? Ima j. Uwendungen. Mathematik. 89, 143-174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., and Gómez-Romero, J. Physics-based neural networks for data-driven modeling: advantages, limitations, and opportunities. Physik. E Marc10, 128415 (2023).
Zhuang, P.-Y. & Barba, la en empiresche Bericht iwwer Physik-baséiert numanesche Netzwierker zu Flëssegkeet Modeller: Pitfalls an Enttäuschungen. Preprint verfügbar op https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. an barba, la virauszesiv Limitatiounen vu kierperlech informéierter nerrem Netzwierker op der Wirbelformatioun. Preprint verfügbar op https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., an Perdikaris, P. wéini a wéi d'Petz versoen: a nerralen Tanguluspersuergung. J. Computer. Physik. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., and Mahoney, MW Characteristics of possible failure modes in physical information neural networks. 35. Konferenz op der ländlecher Informatiounsveraarbechtungsystemer Vol. 34, 26548-26560 (Naups 2021).
Basir, S. an Seelak, I. Eng kritesch Studie vun den Versoenmodus an der Physikatiouns-baséiert Nearurnsnetzwierker. An Aiaa Scitit 2022 Forum 2353 (Ark, 2022).
Karnakov P., Litvinov S. and Koumoutsakos P. Solving physical inverse problems by optimizing discrete losses: fast and accurate learning without neural networks. Prozess. National Akademie vu Wëssenschaften. Associatioun. Nexus 3, PGAE005 (2024).
Gunderen oe Basis Prinzipien vun der Reproduzibilitéit. Phil.cross. R. Shuker. E 379, 20200210 (2021).
Aromataris e an de Pearson A. systematesch Kritiken: En Iwwersiicht. Jo. J. Pfiging 114, 53-58 (2014).
Magrienara, Jerru, am D., hien, Hohada, JES, an de R. konstréng, de Randesche Geroubléier fir de Ruffhommandawers fir de Ruff ze kréien. J. Computer. Physik. 409, 109345 (2020).
BZGIN Da, Schmidt SJ an Adams Na Daten-gedriwwen kierperlech iwwerlimesch Volumen Volume Circuit fir net klassesch reduzéiert Volt Sprocken. J. Computer. Physik. 437, 110324 (2021).
Postzäit: Sep-29-2024