Terima kasih kerana melawat Nature.com. Versi penyemak imbas yang anda gunakan mempunyai sokongan CSS terhad. Untuk hasil yang terbaik, kami mengesyorkan agar anda menggunakan versi penyemak imbas anda yang lebih baru (atau melumpuhkan mod keserasian di Internet Explorer). Sementara itu, untuk memastikan sokongan berterusan, kami menunjukkan tapak tanpa gaya atau JavaScript.
Salah satu aplikasi pembelajaran mesin yang paling menjanjikan dalam fizik pengiraan ialah penyelesaian dipercepat persamaan pembezaan separa (PDE). Matlamat utama pemecah persamaan pembezaan separa pembelajaran berasaskan mesin adalah untuk menghasilkan penyelesaian yang cukup tepat lebih cepat daripada kaedah berangka standard untuk berfungsi sebagai perbandingan asas. Kami mula -mula menjalankan kajian sistematik mengenai kesusasteraan pembelajaran mesin untuk menyelesaikan persamaan pembezaan separa. Daripada semua kertas yang melaporkan penggunaan ML untuk menyelesaikan persamaan pembezaan separa cecair dan menuntut keunggulan berbanding kaedah berangka standard, kami mengenal pasti 79% (60/76) berbanding dengan garis dasar yang lemah. Kedua, kami mendapati bukti kecenderungan pelaporan yang meluas, terutamanya dalam pelaporan hasil dan kecenderungan penerbitan. Kami menyimpulkan bahawa penyelidikan pembelajaran mesin untuk menyelesaikan persamaan pembezaan separa terlalu optimistik: data input yang lemah boleh membawa kepada hasil yang terlalu positif, dan pelaporan pelaporan boleh menyebabkan kurang melaporkan hasil negatif. Sebahagian besar, masalah ini nampaknya disebabkan oleh faktor -faktor yang serupa dengan krisis kebolehulangan masa lalu: budi bicara penyiasat dan kecenderungan hasil positif. Kami menyeru perubahan budaya bawah untuk meminimumkan pelaporan berat sebelah dan pembaharuan struktur atas ke bawah untuk mengurangkan insentif jahat untuk berbuat demikian.
Senarai penulis dan artikel yang dihasilkan oleh kajian sistematik, serta klasifikasi setiap artikel dalam sampel rawak, boleh didapati secara terbuka di https://doi.org/10.17605/osf.io/gq5b3 (Ref 124).
Kod yang diperlukan untuk menghasilkan semula hasil dalam Jadual 2 boleh didapati di GitHub: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (ref 125) dan pada kod lautan: https://codeocean.com/capsule/9605539/ Pokok/ v1 (pautan 126) dan https://codeocean.com/capsule/0799002/tree/v1 (pautan 127).
Randall, D., dan Welser, K., Krisis yang tidak dapat dipertahankan dalam sains moden: sebab -sebab, akibat, dan laluan untuk pembaharuan (Persatuan Saintis Kebangsaan, 2018).
Ritchie, S. Fiksyen Sains: Bagaimana Penipuan, Bias, Senyap, dan Hype Melemahkan Pencarian Kebenaran (Vintage, 2020).
Kerjasama saintifik terbuka. Menilai kebolehulangan dalam sains psikologi. Sains 349, AAAC4716 (2015).
Prinz, F., Schlange, T., dan Asadullah, K. Percayalah atau tidak: Berapa banyak yang boleh kita bergantung pada data yang diterbitkan mengenai sasaran dadah yang berpotensi? Nat. Wahyu "Penemuan Dadah." 10, 712 (2011).
Begley, KG dan Ellis, LM menaikkan piawaian dalam penyelidikan kanser pramatik. Alam 483, 531-533 (2012).
A. Gelman dan E. Loken, The Garden of Forking Paths: Mengapa Pelbagai Perbandingan adalah masalah walaupun tanpa "Ekspedisi Memancing" atau "P-Hacks" dan Hipotesis Penyelidikan Preformed, vol. 348, 1-17 (Jabatan Statistik, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., dan Shi, D. Pembelajaran mesin untuk mencari fizik asas baru. Nat. Doktor Falsafah dalam Fizik. 4, 399-412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM dan Ahsan MJ. Pembelajaran Mesin dalam Penemuan Dadah: Kajian. Atif. Intel. Ed. 55, 1947-1999 (2022).
Mather, As dan Coote, Ml Pembelajaran Deep dalam Kimia. J.Chemistry. memberitahu. Model. 59, 2545-2559 (2019).
Rajkomar A., Dean J. dan Kohan I. Pembelajaran Mesin dalam Perubatan. New England Journal of Medicine. 380, 1347-1358 (2019).
Grimmer J, Roberts Me. dan Pembelajaran Mesin BM Stewart dalam Sains Sosial: Pendekatan Agnostik. Wahyu Ann Ball. sains. 24, 395-419 (2021).
Jump, J. et al. Buat ramalan struktur protein yang sangat tepat menggunakan Alphafold. Alam 596, 583-589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., dan Gil, Y. Sumber tidak dapat dipertahankan dalam pembelajaran mesin: Kajian. Preprint boleh didapati di https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., dan Rahimi, A. Kutukan pemenang? Pada kelajuan, kemajuan dan ketegangan bukti empirikal (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., dan Zobel, J. Peningkatan bukan Additive: Hasil carian awal sejak 1998.
Kapoor, S. dan Narayanan, A. Kebocoran dan krisis semula dalam sains berasaskan pembelajaran mesin. Corak, 4, 100804 (2023).
Kapoor S. et al. Pembaharuan: Piawaian pelaporan saintifik berdasarkan pembelajaran mesin. Preprint boleh didapati di https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C., dan Recht, B. Perbandingan yang tidak bermakna boleh membawa kepada keyakinan palsu dalam pembelajaran mesin perubatan. PLOS One 12, E0184604 (2017).
Roberts, M., et al. Perangkap biasa dan amalan terbaik untuk menggunakan pembelajaran mesin untuk mengesan dan meramalkan Covid-19 dari x-ray dada dan tomografi yang dikira. Nat. Maks. Intel. 3, 199-217 (2021).
Winantz L. et al. Model ramalan untuk diagnosis dan prognosis Covid-19: Kajian sistematik dan penilaian kritikal. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS dan Pollard KS mengatasi perangkap menggunakan pembelajaran mesin dalam genomik. Nat. Pastor Ginette. 23, 169-181 (2022).
Atris N. et al. Amalan terbaik untuk pembelajaran mesin dalam kimia. Nat. Kimia. 13, 505-508 (2021).
Brunton SL dan Kutz Jn menjanjikan arahan untuk pembelajaran mesin persamaan pembezaan separa. Nat. hitung. sains. 4, 483-494 (2024).
Vinuesa, R. dan Brunton, SL Meningkatkan Dinamik Fluida Komputasi melalui Pembelajaran Mesin. Nat. hitung. sains. 2, 358-366 (2022).
Comeau, S. et al. Pembelajaran mesin saintifik dengan rangkaian saraf yang dimaklumkan secara fizikal: di mana kita berada sekarang dan apa yang akan datang. J. Sains. hitung. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., dan Xiao, H. Pemodelan pergolakan dalam era data. Edisi Ann. 51, 357-377 (2019).
Durran, DR Kaedah berangka untuk menyelesaikan persamaan gelombang dalam hidrodinamik geofizik, Vol. 32 (Springer, 2013).
Mishra, S. Rangka Kerja Pembelajaran Mesin untuk Mempercepatkan Pengiraan Data yang Dipandu Persamaan Pembezaan. Matematik. jurutera. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et al. Pembelajaran Mesin - Percepatan Dinamik Fluida Komputasi. proses. Akademi Sains Kebangsaan. sains. US 118, E2101784118 (2021).
Kadapa, K. Pembelajaran Mesin untuk Sains Komputer dan Kejuruteraan - Pengenalan ringkas dan beberapa isu utama. Preprint boleh didapati di https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., dan Zanna, L. Analisis perbandingan mesin pembelajaran lautan subgrid parameterisasi dalam model yang ideal. J.Adv. Model. Sistem Bumi. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., dan Brandstetter, J. PDE Refinement: Mencapai extrusions yang tepat dengan solver PDE saraf. Persidangan ke -37 mengenai Sistem Pemprosesan Maklumat Neural (Neurips 2023).
Frachas, Pr et al. Algoritma backpropagation dan pengiraan takungan dalam rangkaian saraf berulang untuk meramalkan dinamik spatiotemporal yang kompleks. Rangkaian saraf. 126, 191-217 (2020).
Raissi, M., Perdikaris, P. dan Karniadakis, Fizik GE, Sains Komputer, Rangkaian Neural: Rangka Kerja Pembelajaran Deep untuk Menyelesaikan Masalah Ke hadapan dan Songsang yang melibatkan persamaan pembezaan separa tak linear. J. Komputer. Fizik. 378, 686-707 (2019).
Grossmann, TG, Komorowska, Uj, Lutz, J., dan Schönlieb, K.-B. Bolehkah rangkaian saraf berasaskan fizik mengatasi kaedah elemen terhingga? Ima J. Aplikasi. Matematik. 89, 143-174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M., dan Gómez-Romero, J. Rangkaian saraf berasaskan fizik untuk pemodelan data yang didorong data: kelebihan, batasan, dan peluang. Fizik. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Laporan empirikal mengenai rangkaian saraf berasaskan fizik dalam pemodelan bendalir: perangkap dan kekecewaan. Preprint boleh didapati di https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. dan Barba, LA batasan ramalan rangkaian neural secara fizikal mengenai pembentukan vorteks. Preprint boleh didapati di https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., dan Perdikaris, P. Ketika dan mengapa pinns gagal melatih: perspektif nukleus tangen saraf. J. Komputer. Fizik. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., dan Mahoney, MW ciri -ciri mod kegagalan yang mungkin dalam rangkaian saraf maklumat fizikal. Persidangan ke -35 mengenai Sistem Pemprosesan Maklumat Neural Vol. 34, 26548-26560 (Neurips 2021).
Basir, S. dan Senokak, I. Kajian kritikal mengenai mod kegagalan dalam rangkaian saraf berasaskan fizik. Di AIAA Scitech 2022 Forum 2353 (Ark, 2022).
Karnakov P., Litvinov S. dan Koumoutsakos P. Menyelesaikan masalah songsang fizikal dengan mengoptimumkan kerugian diskret: pembelajaran yang cepat dan tepat tanpa rangkaian saraf. proses. Akademi Sains Kebangsaan. sains. Nexus 3, PGAE005 (2024).
Gundersen OE Prinsip Asas Reproducibility. Phil.Cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E dan Pearson A. Ulasan Sistematik: Gambaran Keseluruhan. Ya. J. Kejururawatan 114, 53-58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, dan Rohde, K. Rangkaian saraf yang menyadari untuk masalah Riemann. J. Komputer. Fizik. 409, 109345 (2020).
Bezgin DA, Schmidt SJ dan Adams NA yang didorong oleh data litar volum terhingga secara fizikal untuk kejutan voltan yang dikurangkan bukan klasik. J. Komputer. Fizik. 437, 110324 (2021).
Masa Post: Sep-29-2024