Bedankt voor het bezoeken van Nature.com. De versie van de browser die u gebruikt, heeft beperkte CSS -ondersteuning. Voor de beste resultaten raden we u aan een nieuwere versie van uw browser te gebruiken (of de compatibiliteitsmodus in Internet Explorer uit te schakelen). In de tussentijd laten we de site zien zonder styling of javascript.
Een van de meest veelbelovende toepassingen van machine learning in computationele fysica is de versnelde oplossing van partiële differentiaalvergelijkingen (PDE's). Het hoofddoel van een op machine learning gebaseerde gedeeltelijke differentiaalvergelijkingsoplosser is het produceren van oplossingen die sneller voldoende nauwkeurig zijn dan standaard numerieke methoden om te dienen als een basisvergelijking. We voeren eerst een systematisch overzicht van de literatuur over machine learning over het oplossen van gedeeltelijke differentiaalvergelijkingen. Van alle artikelen die het gebruik van ML rapporteren om vloeistof partiële differentiaalvergelijkingen op te lossen en superioriteit te claimen ten opzichte van standaardnumerieke methoden, hebben we 79% (60/76) geïdentificeerd in vergelijking met zwakke basislijnen. Ten tweede vonden we bewijs van wijdverbreide rapportagebias, met name in uitkomstrapportage en publicatiebias. We concluderen dat onderzoek naar machine learning naar het oplossen van gedeeltelijke differentiaalvergelijkingen te optimistisch is: zwakke invoergegevens kunnen leiden tot te positieve resultaten en het melden van bias kan leiden tot onderrapportage van negatieve resultaten. Voor een groot deel lijken deze problemen te worden veroorzaakt door factoren die vergelijkbaar zijn met eerdere reproduceerbaarheidscrises: discretie van onderzoekers en positieve uitkomstvooroordeel. We vragen om bottom-up culturele verandering om bevooroordeelde rapportage en top-down structurele hervorming te minimaliseren om dit te verminderen om perverse prikkels te verminderen.
De lijst met auteurs en artikelen gegenereerd door de systematische review, evenals de classificatie van elk artikel in de willekeurige steekproef, is openbaar beschikbaar op https://doi.org/10.17605/osf.io/gq5b3 (Ref. 124).
De code die nodig is om de resultaten in tabel 2 te reproduceren, is te vinden op github: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (ref. 125) en op code oceaan: https://codeocean.com/capsule/9605539/ Boom/ v1 (link 126) en https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Randall, D. en Welser, K., De onreproduceerbaarheidscrisis in de moderne wetenschap: oorzaken, gevolgen en paden voor hervorming (National Association of Scientists, 2018).
Ritchie, S. Science Fiction: hoe fraude, vooringenomenheid, stilte en hype de zoektocht naar waarheid ondermijnen (Vintage, 2020).
Open wetenschappelijke samenwerking. Beoordeling van reproduceerbaarheid in de psychologische wetenschap. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. en Asadullah, K. Geloof het of niet: hoeveel kunnen we vertrouwen op gepubliceerde gegevens over potentiële doelen voor geneesmiddelen? Nat. Rev. "De ontdekking van drugs." 10, 712 (2011).
Begley, KG en Ellis, LM Raising Standards in Preklinical Cancer Research. Nature 483, 531–533 (2012).
A. Gelman en E. Loken, The Garden of Forking Paths: waarom meerdere vergelijkingen een probleem zijn, zelfs zonder "visexpedities" of "P-hacks" en voorgevormde onderzoekshypotheses, vol. 348, 1–17 (Department of Statistics, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. en Shi, D. Machine Learning op zoek naar nieuwe fundamentele fysica. Nat. Doctor in de filosofie in de natuurkunde. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM en Ahsan MJ. Machine learning bij het ontdekken van geneesmiddelen: een overzicht. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, As en Coote, ML Deep Learning in Chemistry. J.Chemistry. melden. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. en Kohan I. Machine Learning in Medicine. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts Me. en Stewart BM Machine Learning in Social Sciences: een agnostische aanpak. Rev. Ann Ball. wetenschap. 24, 395–419 (2021).
Jump, J. et al. Doe zeer nauwkeurige voorspellingen van eiwitstructuur met behulp van Alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. en Gil, Y. Bronnen van onreproduceerbaarheid in machine learning: een overzicht. Preprint beschikbaar op https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. en Rahimi, A. Winner's Curse? Over de snelheid, vooruitgang en strengheid van empirisch bewijs (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. en Zobel, J. Niet-additieve verbeteringen: voorlopige zoekresultaten sinds 1998. 18e ACM-conferentie over informatie en kennisbeheer 601–610 (ACM 2009).
Kapoor, S. en Narayanan, A. Lekkage en reproduceerbaarheid crises in machine learning-gebaseerde wetenschap. Patronen, 4, 100804 (2023).
Kapoor S. et al. Hervorming: wetenschappelijke rapportagestandaarden op basis van machine learning. Preprint beschikbaar op https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C. en ReCHT, B. Zinloze vergelijkingen kunnen leiden tot vals optimisme in medische machine learning. PLOS ONE 12, E0184604 (2017).
Roberts, M., et al. Gemeenschappelijke valkuilen en best practices voor het gebruik van machine learning om COVID-19 te detecteren en te voorspellen uit röntgenfoto's van de borst en computertomografie. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Voorspellende modellen voor de diagnose en prognose van COVID-19: een systematische review en kritische beoordeling. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS en Pollard KS overwinnen de valkuilen van het gebruik van machine learning in genomics. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Best practices voor machine learning in chemie. Nat. Chemische stof. 13, 505–508 (2021).
Brunton SL en Kutz JN veelbelovende aanwijzingen voor machine learning van gedeeltelijke differentiaalvergelijkingen. Nat. berekenen. wetenschap. 4, 483–494 (2024).
Vinuesa, R. en Brunton, SL verbetert de dynamiek van de computationele vloeistof door machine learning. Nat. berekenen. wetenschap. 2, 358–366 (2022).
Comeau, S. et al. Wetenschappelijke machine learning met fysiek geïnformeerde neurale netwerken: waar we nu zijn en wat de volgende is. J. Wetenschap. berekenen. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. en Xiao, H. Turbulence modellering in het gegevenstijdperk. Herziene editie van Ann. 51, 357–377 (2019).
Durran, DR -numerieke methoden voor het oplossen van golfvergelijkingen in Geophysical Hydrodynamics, Vol. 32 (Springer, 2013).
Mishra, S. Een machine learning raamwerk voor het versnellen van gegevensgestuurde berekening van differentiaalvergelijkingen. wiskunde. ingenieur. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et al. Machine learning - versnelling van computationele vloeistofdynamiek. proces. National Academy of Sciences. Wetenschap. US 118, E2101784118 (2021).
Kadapa, K. Machine learning voor informatica en engineering - een korte introductie en enkele belangrijke kwesties. Preprint beschikbaar op https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. en Zanna, L. Vergelijkende analyse van parametrering van machine learning oceaan subgrid in geïdealiseerde modellen. J.Adv. Model. Earth System. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. en Brandstetter, J. PDE Raffinage: het bereiken van nauwkeurige lange extrusies met een neurale PDE -oplosser. 37th Conference on Neural Information Processing Systems (Neurips 2023).
Frachas, PR et al. Backpropagatie -algoritme en reservoirberekening in recidiverende neurale netwerken voor het voorspellen van complexe spatiotemporale dynamiek. neuraal netwerk. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. en Karniadakis, GE Physics, Computer Science, Neural Networks: een diep leerkader voor het oplossen van voorwaartse en omgekeerde problemen met niet -lineaire partiële differentiaalvergelijkingen. J. Computer. Natuurkunde. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. en Schönlieb, K.-B. Kunnen op natuurkunde gebaseerde neurale netwerken beter presteren dan eindige elementenmethoden? IMA J. Toepassingen. wiskunde. 89, 143–174 (2024).
De la Mata, FF, Gijon, A., Molina-Solana, M. en Gómez-Romero, J. Op fysica gebaseerde neurale netwerken voor gegevensgestuurde modellering: voordelen, beperkingen en kansen. natuurkunde. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Een empirisch rapport over op natuurkunde gebaseerde neurale netwerken in vloeistofmodellering: valkuilen en teleurstellingen. Preprint beschikbaar op https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. en Barba, LA voorspellende beperkingen van fysiek geïnformeerde neurale netwerken op het vortexvorming. Preprint beschikbaar op https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. en Perdikaris, P. Wanneer en waarom pinns niet trainen: een neuraal tangens kernperspectief. J. Computer. natuurkunde. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. en Mahoney, MW Kenmerken van mogelijke faalmodi in fysieke informatie neurale netwerken. 35th Conference on Neural Information Processing Systems Vol. 34, 26548–26560 (Neurips 2021).
Basir, S. en Senokak, I. Een kritische studie van faalmodi in op natuurkunde gebaseerde neurale netwerken. In AIAA Scitech 2022 Forum 2353 (Ark, 2022).
Karnakov P., Litvinov S. en Koumoutsakos P. Het oplossen van fysieke omgekeerde problemen door discrete verliezen te optimaliseren: snel en nauwkeurig leren zonder neurale netwerken. proces. National Academy of Sciences. Wetenschap. Nexus 3, PGAE005 (2024).
Gundersen OE basisprincipes van reproduceerbaarheid. Phil.Cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E en Pearson A. Systematische beoordelingen: een overzicht. Ja. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS en Rohde, K. Beperkingsbewuste neurale netwerken voor het Riemann-probleem. J. Computer. natuurkunde. 409, 109345 (2020).
Bezgin DA, Schmidt SJ en Adams na data-gedreven fysiek geïnformeerde eindige volumecircuit voor niet-klassieke verminderde spanningsschokken. J. Computer. Natuurkunde. 437, 110324 (2021).
Posttijd: 29-2024