Paldies, ka apmeklējāt Nature.com. Pārlūka versijai, kuru izmantojat, ir ierobežots CSS atbalsts. Lai iegūtu labākos rezultātus, mēs iesakām izmantot jaunāku pārlūkprogrammas versiju (vai atspējot saderības režīmu Internet Explorer). Pa to laiku, lai nodrošinātu pastāvīgu atbalstu, mēs parādām vietni bez stila vai JavaScript.
One of the most promising applications of machine learning in computational physics is the accelerated solution of partial differential equations (PDEs). The main goal of a machine learning-based partial differential equation solver is to produce solutions that are accurate enough faster than standard numerical methods to serve as a baseline comparison. Vispirms mēs veicam sistemātisku mašīnmācīšanās literatūras pārskatu par daļēju diferenciālvienādojumu risināšanu. 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. Otrkārt, mēs atradām pierādījumus par plašu ziņošanas aizspriedumu, jo īpaši rezultātu ziņošanā un publikācijas aizspriedumos. 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. Lielākoties šīs problēmas, šķiet, izraisa faktori, kas līdzīgi iepriekšējām reproducējamības krīzēm: izmeklētāja rīcības brīvība un pozitīva iznākuma novirze. Mēs aicinām veikt izmaiņas no apakšas uz augšu, lai samazinātu neobjektīvu ziņošanu un no augšas uz leju strukturālās reformas, lai samazinātu perversos stimulus to darīt.
The code needed to reproduce the results in Table 2 can be found on GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) and on Code Ocean: https://codeocean.com/capsule/9605539/ Koks/ v1 (126. saite) un https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Ritchie, S. Zinātniskā fantastika: kā krāpšana, aizspriedumi, klusēšana un hype grauj patiesības meklēšanu (Vintage, 2020).
Atklāta zinātniska sadarbība. Reproducējamības novērtēšana psiholoģiskajā zinātnē. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. un Asadullah, K. Ticiet vai nē: Cik mēs varam paļauties uz publicētiem datiem par iespējamiem narkotiku mērķiem? Nat. Sv. “Narkotiku atklāšana”. 10, 712 (2011).
Begley, KG un Ellis, LM paaugstināšanas standarti preklīniskā vēža pētījumos. Daba 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 (Statistikas departaments, 2013).
Dara S, Damercherla S, Jadhav SS, Babu CM un Ahsan MJ. Mašīnmācība narkotiku atklāšanā: pārskats. Atif. Intel. Red. 55, 1947–1999 (2022).
Mather, AS un COOTE, ML dziļas mācības ķīmijā. J.Chemistry. paziņot. Modelis. 59, 2545–2559 (2019).
Rajkomar A., Dean J. un Kohan I. Mašīnmācība medicīnā. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts Me. un Stjuarta BM mašīnu mācīšanās sociālajās zinātnēs: agnostiska pieeja. Sv. Ann Ball. zinātne. 24, 395–419 (2021).
Jump, J. et al. Izmantojot Alphafold, veiciet ļoti precīzas olbaltumvielu struktūras prognozes. Daba 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. un Gil, Y. Neatdarības avoti mašīnmācībā: pārskats. Preprint ir pieejams vietnē https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. un Rahimi, A. Uzvarētāja lāsts? Par empīrisko pierādījumu ātrumu, progresu un stingrību (ICLR, 2018).
Ārmstrongs, TG, Moffat, A., Webber, W. un Zobel, J. Neaddititīvi uzlabojumi: provizoriski meklēšanas rezultāti kopš 1998. gada. 18. ACM informācijas un zināšanu pārvaldības konference 601–610 (ACM 2009).
Kapoor, S. un Narayanan, A. Noplūde un reproducējamības krīzes uz mašīnmācīšanās zinātni. Raksti, 4, 100804 (2023).
Kapoor S. et al. Reforma: zinātniski ziņošanas standarti, kas balstīti uz mašīnmācību. Preprint ir pieejams vietnē https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C. un Recht, B. Bezjēdzīgi salīdzinājumi var izraisīt kļūdainu optimismu medicīnas mašīnu apguvē. Plos One 12, E0184604 (2017).
Roberts, M., et al. Parastās nepilnības un paraugprakse mašīnmācības izmantošanai, lai noteiktu un paredzētu COVID-19 no krūšu kurvja rentgena un datortomogrāfijas. Nat. Maks. Intel. 3, 199–217 (2021).
Winantz L. et al. Paredzamie modeļi COVID-19 diagnozei un prognozei: sistemātisks pārskats un kritisks novērtējums. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble Ws un Pollard KS pārvarot mašīnu apguves izmantošanas kļūdas genomikā. Nat. Pastor Ginette. 23, 169–181 (2022).
Brunton SL un Kutz Jn Daļēju diferenciālvienādojumu mašīnmācīšanās virzieni. Nat. aprēķināt. zinātne. 4, 483–494 (2024).
Vinuesa, R. un Brunton, SL uzlabojot skaitļošanas šķidruma dinamiku, izmantojot mašīnu apguvi. Nat. aprēķināt. zinātne. 2, 358–366 (2022).
Comeau, S. et al. Zinātniskā mašīnmācība ar fiziski informētiem neironu tīkliem: kur mēs tagad atrodamies un kas notiks tālāk. J. Zinātne. aprēķināt. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. un Xiao, H. Turbulences modelēšana datu laikmetā. Pārskatītais Annas izdevums. 51, 357–377 (2019).
Durran, Dr skaitliskās metodes viļņu vienādojumu risināšanai ģeofizikālajā hidrodinamikā, sēj. 32 (Springer, 2013).
Mishra, S. Mašīnmācības sistēma, lai paātrinātu uz datiem balstītu diferenciālvienādojumu aprēķināšanu. matemātika. inženieris. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et al. Mašīnmācība - skaitļošanas šķidruma dinamikas paātrinājums. process Nacionālā zinātņu akadēmija. zinātne. ASV 118, E2101784118 (2021).
Kadapa, K. Mašīnzinātņu un inženierzinātņu mašīnu apguve - īss ievads un daži galvenie jautājumi. Preprint ir pieejams vietnē https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Grand, C. un Zanna, L. Mašīnmācīšanās okeāna apakšgrupu parametrizācijas salīdzinošā analīze idealizētos modeļos. J.Adv. Modelis. Zemes sistēma. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., and Brandstetter, J. PDE refinement: achieving accurate long extrusions with a neural PDE solver. 37. konference par neironu informācijas apstrādes sistēmām (Neurips 2023).
Frachas, PR et al. Backpropagation algoritms un rezervuāra aprēķins atkārtotos neironu tīklos, lai prognozētu sarežģītu spatiotemorālo dinamiku. Neironu tīkls. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. un Karniadakis, GE fizika, datorzinātne, neironu tīkli: dziļa mācību sistēma, lai risinātu un apgrieztu problēmu, kas saistītas ar nelineāriem daļējiem diferenciālvienādojumiem. J. Dators. Fizika. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. un Schönlieb, K.-B. Can physics-based neural networks outperform finite element methods? Ima J. Pieteikumi. matemātika. 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. Fizika. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Empīrisks ziņojums par fizikas balstītiem neironu tīkliem šķidruma modelēšanā: nepilnības un vilšanās. Preprint ir pieejams vietnē https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. and Barba, LA Predictive limitations of physically informed neural networks on vortex formation. Preprint available at https://arxiv.org/abs/2306.00230 (2023).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., and Mahoney, MW Characteristics of possible failure modes in physical information neural networks. 35. konference par neironu informācijas apstrādes sistēmām Vol. 34, 26548–26560 (Neurips 2021).
Basir, S. un Senokak, I. Kritisks neveiksmes režīmu pētījums fizikā balstītos neironu tīklos. AIAA Scitech 2022 forumā 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. process Nacionālā zinātņu akadēmija. science. Nexus 3, pgae005 (2024).
Gundersen OE reproducējamības pamatprincipi. Fil.Cross. R. Šukers. A 379, 20200210 (2021).
Aromataris E un Pearson A. Sistemātiskas atsauksmes: pārskats. Jā. J. Māsu 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS un Rohde, K. Riemann problēmas neironu tīkli, kas informē par ierobežojumiem. J. Dators. Fizika. 409, 109345 (2020).
Bezgin DA, Schmidt SJ un Adams NA uz datiem balstīta fiziski informēta ierobežota tilpuma shēma, kas nav klasiski samazināti sprieguma satricinājumi. J. Dators. Fizika. 437, 110324 (2021).
Pasta laiks: 29.-2024.