Obrigado por visitar Nature.com. A versão do navegador que você está usando possui suporte limitado de CSS. Para obter melhores resultados, recomendamos que você use uma versão mais recente do seu navegador (ou desativar o modo de compatibilidade no Internet Explorer). Enquanto isso, para garantir o suporte contínuo, estamos mostrando o site sem estilo ou JavaScript.
Uma das aplicações mais promissoras do aprendizado de máquina na física computacional é a solução acelerada de equações diferenciais parciais (PDEs). O principal objetivo de um solucionador de equações diferenciais parciais baseado em aprendizado de máquina é produzir soluções precisas o suficiente mais rápido que os métodos numéricos padrão para servir como uma comparação de linha de base. Primeiro, realizamos uma revisão sistemática da literatura de aprendizado de máquina sobre a solução de equações diferenciais parciais. De todos os artigos que relatam o uso de ML para resolver equações diferenciais parciais do fluido e reivindicar superioridade sobre métodos numéricos padrão, identificamos 79% (60/76) em comparação com linhas de base fracas. Segundo, encontramos evidências de viés de relatórios generalizados, particularmente em relatórios de resultados e viés de publicação. Concluímos que a pesquisa de aprendizado de máquina sobre a solução de equações diferenciais parciais é excessivamente otimista: os dados de entrada fracos podem levar a resultados excessivamente positivos, e o viés de relatar pode levar à subnotificação de resultados negativos. Em grande parte, esses problemas parecem ser causados por fatores semelhantes às crises de reprodutibilidade passadas: a discrição do investigador e o viés de resultado positivo. Aumemos uma mudança cultural de baixo para cima para minimizar os relatórios tendenciosos e a reforma estrutural de cima para baixo para reduzir os incentivos perversos para fazê-lo.
A lista de autores e artigos gerados pela revisão sistemática, bem como a classificação de cada artigo na amostra aleatória, está disponível publicamente em https://doi.org/10.17605/osf.io/gq5b3 (ref. 124).
O código necessário para reproduzir os resultados na Tabela 2 pode ser encontrado no github: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (ref. Árvore/ v1 (link 126) e https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Randall, D. e Welser, K., A crise de irreprodutibilidade na ciência moderna: causas, consequências e caminhos para a reforma (Associação Nacional de Cientistas, 2018).
Ritchie, S. Ficção científica: como fraude, preconceito, silêncio e hype minam a busca pela verdade (vintage, 2020).
Colaboração científica aberta. Avaliação da reprodutibilidade na ciência psicológica. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. e Asadullah, K. Acredite ou não: quanto podemos confiar em dados publicados sobre possíveis metas de medicamentos? Nat. Rev. "A descoberta das drogas". 10, 712 (2011).
Begley, KG e Ellis, LM Raising Standards em pesquisa pré -clínica do câncer. Nature 483, 531-533 (2012).
A. Gelman e E. Loken, O Jardim dos Caminhos de Frencos: Por que as comparações múltiplas são um problema, mesmo sem "expedições de pesca" ou "p-hacks" e hipóteses de pesquisa pré-formadas, vol. 348, 1–17 (Departamento de Estatística, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. e Shi, D. Aprendizado de máquina em busca de nova física fundamental. Nat. Doutor em Filosofia em Física. 4, 399-412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM e Ahsan MJ. Aprendizado de máquina em descoberta de medicamentos: uma revisão. Atif. Intel. Ed. 55, 1947-1999 (2022).
Mather, As e Coote, ML Deep Learning in Chemistry. J.Chemistry. notificar. Modelo. 59, 2545-2559 (2019).
Rajkomar A., Dean J. e Kohan I. Aprendizagem de máquina em medicina. New England Journal of Medicine. 380, 1347-1358 (2019).
Grimmer J, Roberts Me. e Stewart BM Machine Learning in Social Sciences: uma abordagem agnóstica. Rev. Ann Ball. ciência. 24, 395-419 (2021).
Jump, J. et al. Faça previsões de estrutura de proteínas altamente precisas usando alfafold. Nature 596, 583-589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. e Gil, Y. Fontes de irreprodutibilidade no aprendizado de máquina: uma revisão. Pré -impressão disponível em https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. e Rahimi, A. Winner's Curse? Sobre a velocidade, progresso e rigor de evidências empíricas (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. e Zobel, J. Aprimoramentos não aditivos: resultados preliminares de pesquisa desde 1998. 18ª Conferência da ACM sobre Gerenciamento de Informações e Conhecimento 601-610 (ACM 2009).
Kapoor, S. e Narayanan, A. Crises de vazamento e reprodutibilidade na ciência baseada em aprendizado de máquina. Padrões, 4, 100804 (2023).
Kapoor S. et al. Reforma: Padrões de relatórios científicos com base no aprendizado de máquina. Pré -impressão disponível em https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C. e Recht, B. Comparações sem sentido podem levar a um otimismo falso no aprendizado de máquinas médicas. PLOS ONE 12, E0184604 (2017).
Roberts, M., et al. Armadilhas e práticas recomendadas comuns para usar o aprendizado de máquina para detectar e prever o Covid-19 a partir de raios X de tórax e tomografia computadorizada. Nat. Máx. Intel. 3, 199-217 (2021).
Winantz L. et al. Modelos preditivos para o diagnóstico e prognóstico de Covid-19: uma revisão sistemática e avaliação crítica. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS e Pollard KS superando as armadilhas do uso do aprendizado de máquina em genômica. Nat. Pastor Ginette. 23, 169-181 (2022).
Atris N. et al. Melhores práticas para aprendizado de máquina em química. Nat. Químico. 13, 505–508 (2021).
Brunton SL e Kutz Jn promissores direções para o aprendizado de máquina de equações diferenciais parciais. Nat. calcular. ciência. 4, 483-494 (2024).
Vinuesa, R. e Brunton, SL, melhorando a dinâmica de fluidos computacional através do aprendizado de máquina. Nat. calcular. ciência. 2, 358-366 (2022).
Comeau, S. et al. Aprendizagem de máquina científica com redes neurais fisicamente informadas: onde estamos agora e o que vem a seguir. J. Science. calcular. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. e Xiao, H. Modelagem de turbulência na era dos dados. Edição revisada de Ann. 51, 357-377 (2019).
Durran, DR Métodos numéricos para resolver equações de ondas na hidrodinâmica geofísica, vol. 32 (Springer, 2013).
Mishra, S. Uma estrutura de aprendizado de máquina para acelerar a computação orientada a dados de equações diferenciais. Matemática. engenheiro. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et al. Aprendizado de máquina - aceleração da dinâmica de fluidos computacional. processo. Academia Nacional de Ciências. ciência. US 118, E2101784118 (2021).
Kadapa, K. Aprendizagem de máquina para ciência da computação e engenharia - uma breve introdução e alguns problemas importantes. Pré -impressão disponível em https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. e Zanna, L. Análise comparativa da parametrização de sub-grade do aprendizado de máquina em modelos idealizados. J.Adv. Modelo. sistema terrestre. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. e Brandstetter, J. Refinamento PDE: alcançando extrusões longas precisas com um solucionador de PDE neural. 37ª Conferência sobre Sistemas de Processamento de Informações Neurais (Neurips 2023).
Frachas, Pr et al. Algoritmo de retropropagação e cálculo do reservatório em redes neurais recorrentes para prever dinâmica espaço -temporal complexa. Rede Neural. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. e Karniavakis, GE Physics, Ciência da Computação, Redes Neurais: Uma Estrutura de Aprendizagem Profunda para resolver problemas adiante e inverso envolvendo equações diferenciais parciais não lineares. J. Computador. física. 378, 686-707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. e Schönlieb, K.-B. As redes neurais baseadas em física podem superar os métodos de elementos finitos? IMA J. APLICAÇÕES. matemática. 89, 143-174 (2024).
De la Mata, FF, Gijon, A., Molina-Solana, M. e Gómez-Romero, J. Redes neurais baseadas em física para modelagem orientada a dados: vantagens, limitações e oportunidades. física. A 610, 128415 (2023).
Zhuang, P.-Y. & BABA, LA Um relatório empírico sobre redes neurais baseadas em física em modelagem de fluidos: armadilhas e decepções. Pré -impressão disponível em https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. e Barba, LA, limitações preditivas de redes neurais fisicamente informadas na formação de vórtice. Pré -impressão disponível em https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. e Perdikaris, P. Quando e por que os Pinns não treinam: uma perspectiva do núcleo tangente neural. J. Computador. física. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. e Mahoney, MW Características de possíveis modos de falha nas redes neurais de informações físicas. 35ª Conferência sobre Sistemas de Processamento de Informações Neurais vol. 34, 26548-26560 (Neurips 2021).
Basir, S. e Senokak, I. Um estudo crítico dos modos de falha nas redes neurais baseadas em física. No fórum AIAA Scitech 2022 2353 (Ark, 2022).
Karnakov P., Litvinov S. e Koumoutsakos P. Resolvendo problemas inversos físicos, otimizando perdas discretas: aprendizado rápido e preciso sem redes neurais. processo. Academia Nacional de Ciências. ciência. Nexus 3, PGAE005 (2024).
Gundersen OE Princípios básicos de reprodutibilidade. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E e Pearson A. Revisões sistemáticas: uma visão geral. Sim. J. Nursing 114, 53-58 (2014).
Magiera, J., Ray, D., Hesthaven, JS e Rohde, K. Redes neurais com reconhecimento de restrição para o problema de Riemann. J. Computador. física. 409, 109345 (2020).
Bezgin Da, Schmidt SJ e Adams NA Circuito de volume finito informado fisicamente orientado a dados para choques de tensão reduzidos não clássicos. J. Computador. física. 437, 110324 (2021).
Hora de postagem: 29-2024 de setembro