Ви благодариме што ја посетивте Nature.com. Верзијата на прелистувачот што го користите има ограничена поддршка за CSS. За најдобри резултати, препорачуваме да користите понова верзија на вашиот прелистувач (или да го оневозможите режимот за компатибилност во Internet Explorer). Во меѓувреме, за да обезбедиме постојана поддршка, ја покажуваме страницата без стилизирање или JavaScript.
Една од најперспективните апликации на машинско учење во компјутерската физика е забрзаното решение на делумни диференцијални равенки (PDE). Главната цел на делумниот диференцијален равенка за равенка заснована на машината е да се произведат решенија кои се доволно точни побрзо од стандардните нумерички методи за да послужат како основна споредба. Прво спроведуваме систематски преглед на литературата за учење машини за решавање на делумни диференцијални равенки. Од сите трудови кои известуваат за употреба на ML за решавање на делумни диференцијални равенки на флуидот и тврдење на супериорност во однос на стандардните нумерички методи, идентификувавме 79% (60/76) во споредба со слабите основни. Второ, откривме докази за широко распространета пристрасност за известување, особено во известување за исход и пристрасност за објавување. Заклучуваме дека истражувањето на машинско учење за решавање на делумни диференцијални равенки е премногу оптимистички: слабите влезни податоци можат да доведат до премногу позитивни резултати, а пристрасноста за известување може да доведе до недоволно известување за негативни резултати. Во голем дел, овие проблеми се чини дека се предизвикани од фактори слични на минатите кризи за репродуктивност: дискреционо право на истражителот и пристрасност на позитивниот исход. Ние повикуваме на културни промени од дното нагоре за да се минимизираат пристрасното известување и структурните реформи од горе надолу за да се намалат перверзните стимулации за да се стори тоа.
Списокот на автори и статии генерирани од систематскиот преглед, како и класификацијата на секој напис во случаен примерок, е јавно достапен на https://doi.org/10.17605/osf.io/gq5b3 (Ref. 124).
Кодексот потребен за репродукција на резултатите во Табела 2 може да се најде на github: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (Ref. 125) и на код океан: https://codeocean.com/capsule/9605539/ Дрво/ v1 (врска 126) и https://codeocean.com/capsule/0799002/tree/v1 (линк 127).
Рандал, Д., и Велсер, К., криза на неподвижливоста во современата наука: Причини, последици и патеки за реформи (Национално здружение на научници, 2018).
Ричи, С. Научна фантастика: Како измама, пристрасност, тишина и возбуда ја поткопуваат потрагата по вистината (гроздобер, 2020).
Отворена научна соработка. Проценка на репродуктивноста во психолошката наука. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., and Asadullah, K. Верувале или не: колку можеме да се потпреме на објавените податоци за потенцијалните цели на лекови? Нат. Уважената „Откривање на лекови“. 10, 712 (2011).
Бегли, КГ и Елис, ЛМ Стандарди за подигање во претклиничките истражувања за рак. Природа 483, 531–533 (2012).
A. Gelman and E. Loken, Градината на патеки за вилушка: Зошто повеќе споредби се проблем дури и без „експедиции за риболов“ или „П-хаки“ и преобработени хипотези за истражување, том. 348, 1–17 (Одделение за статистика, 2013).
Карагиорги, Г., Касека, Г., Кравиц, С., Нахман, Б., и Ши, Д. Машинско учење во потрага по нова фундаментална физика. Нат. Доктор по филозофија по физика. 4, 399–412 (2022).
Дара С, Дамерчерла С, Јадав СС, Бабу КМ и Ахсан М.Ј. Машинско учење во откривање на лекови: Преглед. Атиф. Интел. Ед. 55, 1947-1999 (2022).
Mather, As and Coote, Ml длабоко учење во хемијата. J.Chemistry. Известете. Модел. 59, 2545–2559 (2019).
Рајкомар А., Дин Ј и Кохан И. Машинско учење во медицината. Journalурнал за медицина во Нова Англија. 380, 1347–1358 (2019).
Гример Ј, Робертс Ме. и Стјуарт БМ машинско учење во општествени науки: агностички пристап. Уважената Ен Бал. Наука. 24, 395–419 (2021).
Скок, Ј и др. Направете многу точни предвидувања на структурата на протеините со употреба на Alphafold. Природа 596, 583-589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., and Gil, Y. Извори на неповторливост во машинското учење: преглед. Отпечаток достапен на https://arxiv.org/abs/2204.07610 (2022).
Скули, Д., Снук, Ј., Вилтшко, А., и Рахими, проклетство на А. Победник? На брзината, напредокот и строгоста на емпириските докази (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., and Zobel, J. Не-додатоци за додатоци: Прелиминарни резултати од пребарувањето од 1998 година. 18-та конференција на ACM за управување со информации и знаење 601–610 (ACM 2009).
Капур, С и Нарајан, А. кризи за истекување и репродуктивност во науката заснована на машини. Обрасци, 4, 100804 (2023).
Капур С. и др. Реформа: Стандарди за научно известување засновани на машинско учење. Отпечаток достапен на https://arxiv.org/abs/2308.07832 (2023).
Демаси, О., снимање, Ц, и Рехт, Б. Бесмислените споредби можат да доведат до лажен оптимизам во учењето на медицинска машина. PLOS One 12, E0184604 (2017).
Робертс, М., и др. Вообичаени стапици и најдобри практики за користење на машинско учење за откривање и предвидување на COVID-19 од зраците на градите и компјутерска томографија. Нат. Макс. Интел. 3, 199–217 (2021).
Winantz L. et al. Предвидливи модели за дијагностицирање и прогноза на COVID-19: систематски преглед и критична проценка. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS и Polard KS ги надминуваат стапиците на користењето машинско учење во геномиката. Нат. Пастор Гинет. 23, 169–181 (2022).
Атрис Н. и др. Најдобри практики за машинско учење во хемијата. Нат. Хемиски. 13, 505–508 (2021).
Brunton SL и Kutz JN ветуваат насоки за машинско учење на делумни диференцијални равенки. Нат. Пресметајте. Наука. 4, 483–494 (2024).
Винуса, Р и Брунтон, СЛ ја подобруваат пресметковната динамика на течности преку машинско учење. Нат. Пресметајте. Наука. 2, 358–366 (2022).
Comeau, S. et al. Научно учење на машината со физички информирани нервни мрежи: Каде сме сега и што е следно. J. Science. Пресметајте. 92, 88 (2022).
Durarisamy, K., Yaccarino, G., and Xiao, H. Турбулентно моделирање во ерата на податоците. Ревидирано издание на Ен. 51, 357–377 (2019).
Durran, DR нумерички методи за решавање на бранови равенки во геофизичка хидродинамика, том. 32 (Спрингер, 2013).
Mishra, S. Рамка за учење машини за забрзување на пресметката управувано од податоци на диференцијални равенки. Математика. инженер. https://doi.org/10.3934/mine.2018.1.118 (2018).
Кочиков Д. и др. Машинско учење - Забрзување на пресметковната динамика на течности. процес. Национална академија на науките. Наука. САД 118, E2101784118 (2021).
Кадапа, К. Машинско учење за компјутерски науки и инженерство - краток вовед и некои клучни проблеми. Отпечаток достапен на https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., and Zanna, L. Компаративна анализа на параметризацијата на подгредизацијата на океанот за машини за учење во идеализирани модели. J.Adv. Модел. Земјиниот систем. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., and BrandStetter, J. PDE Refinement: Постигнување точни долги екстразии со нервен PDE решавач. 37 -та конференција за системи за обработка на нервни информации (Neurips 2023).
Фрачас, ПР и др. Алгоритмот на backpropagation и пресметката на резервоарот во повторливи нервни мрежи за предвидување на сложена спатиотмапорна динамика. нервна мрежа. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. and Karniadakis, GE Physics, компјутерски науки, нервни мрежи: Длабока рамка за учење за решавање на напредни и инверзни проблеми кои вклучуваат нелинеарни делумни диференцијални равенки. Ј. Компјутер. физика. 378, 686–707 (2019).
Гросман, ТГ, Коморовска, УЈ, Лутц, Ј. И Шонлиб, К.- Б. Дали нервните мрежи засновани на физика можат да ги надминат методите на конечни елементи? IMA J. апликации. Математика. 89, 143–174 (2024).
De la Mata, FF, Gijon, A., Molina-Solana, M., and Gómez-Romero, J. Neruial-мрежни мрежи засновани на физика за моделирање управувано од податоци: предности, ограничувања и можности. физика. A 610, 128415 (2023).
Ongуанг, П.-Ј. & Барба, ЛА Емпириски извештај за нервни мрежи засновани на физика во моделирање на течности: стапици и разочарувања. Отпечаток достапен на https://arxiv.org/abs/2205.14249 (2022).
Ongуанг, П.-Ј. и Барба, ЛА предвидливи ограничувања на физички информирани нервни мрежи за формирање на вител. Отпечаток достапен на https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., and Perdikaris, P. Кога и зошто pinns не успеваат да тренираат: перспектива на нервно тангентно јадро. Ј. Компјутер. физика. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., and Mahoney, MW карактеристики на можни режими на неуспех во нервните мрежи за физички информации. 35 -та конференција за системи за обработка на нервни информации том. 34, 26548–26560 (Neurips 2021).
Basir, S. and Senokak, I. Критична студија за режимите на неуспех во нервните мрежи засновани на физика. Во AIAA Scitech 2022 Форум 2353 (Арка, 2022).
Karnakov P., Litvinov S. and Koumoutsakos P. Решавање на физички инверзни проблеми со оптимизирање на дискретни загуби: брзо и точно учење без нервни мрежи. процес. Национална академија на науките. Наука. Nexus 3, PGAE005 (2024).
Гундерсен ОЕ основни принципи на репродуктивност. Фил.Крос. Р. Шукер. A 379, 20200210 (2021).
Aromataris E and Pearson A. Систематски прегледи: преглед. Да. J. Nursion 114, 53-58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, and Rohde, K. Constraint-свесни нервни мрежи за проблемот со Риман. Ј. Компјутер. физика. 409, 109345 (2020).
Bezgin DA, Schmidt SJ и Adams NA-управувано од физички информиран конечен волумен за не-класични намалени напонски шокови. Ј. Компјутер. физика. 437, 110324 (2021).
Време на објавување: Сеп-29-2024