Vă mulțumim că ați vizitat Nature.com. Versiunea browserului pe care o utilizați are suport CSS limitat. Pentru cele mai bune rezultate, vă recomandăm să utilizați o versiune mai nouă a browserului dvs. (sau să dezactivați modul de compatibilitate în Internet Explorer). Între timp, pentru a asigura un sprijin continuu, arătăm site -ul fără styling sau JavaScript.
Una dintre cele mai promițătoare aplicații ale învățării automate în fizica calculațională este soluția accelerată a ecuațiilor diferențiale parțiale (PDE). Obiectivul principal al unui rezolvator de ecuații diferențiale parțiale bazate pe învățare automată este de a produce soluții suficient de precis mai rapide decât metodele numerice standard pentru a servi drept comparație de bază. Mai întâi efectuăm o revizuire sistematică a literaturii de învățare automată privind rezolvarea ecuațiilor diferențiale parțiale. Dintre toate lucrările care raportează utilizarea ML pentru a rezolva ecuațiile diferențiale parțiale fluide și revendicând superioritate față de metodele numerice standard, am identificat 79% (60/76) în comparație cu linia de bază slabă. În al doilea rând, am găsit dovezi ale prejudecății de raportare pe scară largă, în special în raportarea rezultatelor și prejudecățile de publicare. Concluzionăm că cercetarea de învățare automată privind rezolvarea ecuațiilor diferențiale parțiale sunt excesiv de optimiste: datele de intrare slabe pot duce la rezultate excesiv de pozitive, iar prejudecățile de raportare pot duce la subreportarea rezultatelor negative. In large part, these problems appear to be caused by factors similar to past reproducibility crises: investigator discretion and positive outcome bias. Solicităm schimbări culturale de jos în sus pentru a minimiza raportarea părtinitoare și reforma structurală de sus în jos pentru a reduce stimulentele perverse pentru a face acest lucru.
Lista autorilor și articolelor generate de revizuirea sistematică, precum și clasificarea fiecărui articol în eșantionul aleatoriu, este disponibilă public la https://doi.org/10.17605/osf.io/gq5b3 (ref. 124).
Codul necesar pentru a reproduce rezultatele din tabelul 2 poate fi găsit pe GitHub: https://github.com/nickmcgreivy/weakBaselinesmlpde/ (Ref. 125) și pe Code Ocean: https://codeocean.com/capsule/9605539/ Arbore/ v1 (link 126) și https://codeocean.com/capsule/0799002/tree/v1 (linkul 127).
Randall, D., și Welser, K., Criza de ireproductibilitate în știința modernă: cauze, consecințe și căi pentru reformă (Asociația Națională a oamenilor de știință, 2018).
Ritchie, S. Science Fiction: Cum frauda, prejudecata, tăcerea și hype subminează căutarea adevărului (Vintage, 2020).
Colaborare științifică deschisă. Evaluarea reproductibilității în știința psihologică. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. și Asadullah, K. Credeți sau nu: Cât ne putem baza pe datele publicate despre potențialele ținte medicamentoase? Nat. Rev. „Descoperirea drogurilor”. 10, 712 (2011).
Begley, KG și Ellis, LM de ridicare a standardelor în cercetarea cu cancer preclinic. Natura 483, 531–533 (2012).
A. Gelman și E. Loken, Grădina căilor de furculiță: De ce comparațiile multiple sunt o problemă chiar și fără „expediții de pescuit” sau „p-hacks” și ipoteze de cercetare preformate, vol. 348, 1–17 (Departamentul de Statistică, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., și Shi, D. Învățarea automată în căutarea unei noi fizice fundamentale. Nat. Doctor în filozofie în fizică. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM și Ahsan MJ. Învățare automată în descoperirea drogurilor: o recenzie. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, As și Coote, ML Învățare profundă în chimie. J.Chemistry. notifică. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. și Kohan I. Învățarea mașinilor în medicină. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts Me. și Stewart BM Machine Learning in Social Sciences: o abordare agnostică. Rev. Ann Ball. ştiinţă. 24, 395–419 (2021).
Jump, J. și colab. Faceți predicții de structură proteică extrem de exactă folosind Alphafold. Natura 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. și Gil, Y. Surse de ireproductibilitate în învățarea automată: o revizuire. Preprint disponibil la https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. și Rahimi, A. Blestemul câștigătorului? Cu privire la viteza, progresul și rigoarea probelor empirice (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. și Zobel, J. Îmbunătățiri non-aditive: Rezultate preliminare a căutării din 1998. A 18-a Conferință ACM privind managementul informațiilor și cunoștințelor 601–610 (ACM 2009).
Kapoor, S. și Narayanan, A. Crizele de scurgere și reproductibilitate în știința bazată pe învățare automată. Modele, 4, 100804 (2023).
Kapoor S. și colab. Reforma: standarde de raportare științifică bazată pe învățarea automată. Preprint disponibil la https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C. și Recht, B. Comparațiile fără sens pot duce la false optimism în învățarea automată a mașinilor medicale. PLOS ONE 12, E0184604 (2017).
Roberts, M., și colab. Capcanele obișnuite și cele mai bune practici pentru utilizarea învățării automate pentru a detecta și prezice COVID-19 din radiografii toracice și tomografia calculată. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. și colab. Modele predictive pentru diagnosticul și prognosticul Covid-19: o revizuire sistematică și o evaluare critică. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS și Pollard KS care depășesc capcanele utilizării învățării automate în genomică. Nat. Pastor Ginette. 23, 169-181 (2022).
Atris N. și colab. Cele mai bune practici pentru învățarea automată în chimie. Nat. Chimic. 13, 505–508 (2021).
Brunton SL și Kutz JN Direcții promițătoare pentru învățarea automată a ecuațiilor diferențiale parțiale. Nat. calcula. ştiinţă. 4, 483–494 (2024).
Vinuesa, R. și Brunton, SL Îmbunătățirea dinamicii fluidelor de calcul prin învățarea automată. Nat. calculați. ştiinţă. 2, 358–366 (2022).
Comeau, S. și colab. Învățare științifică automată cu rețele neuronale informate fizic: unde suntem acum și ce urmează. J. Science. calculați. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. și Xiao, H. Modelarea turbulenței în epoca datelor. Ediția revizuită a Ann. 51, 357–377 (2019).
Durran, DR Metode numerice pentru rezolvarea ecuațiilor de undă în hidrodinamica geofizică, vol. 32 (Springer, 2013).
Mishra, S. Un cadru de învățare automată pentru accelerarea calculului bazat pe date al ecuațiilor diferențiale. matematică. inginer. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. și colab. Învățare automată - Accelerarea dinamicii de fluide de calcul. proces. Academia Națională de Științe. ştiinţă. SUA 118, E2101784118 (2021).
Kadapa, K. Învățare automată pentru informatică și inginerie - o scurtă introducere și câteva probleme cheie. Preprint disponibil la https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., și Zanna, L. Analiza comparativă a parametrizării subgridului oceanului de învățare automată la modelele idealizate. J.Adv. Model. Sistem de pământ. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., și Brandstetter, J. PDE Rafinament: obținerea extrudărilor lungi exacte cu un solver PDE neural. A 37 -a Conferință privind sistemele de prelucrare a informațiilor neuronale (NeURIPS 2023).
Frachas, Pr și colab. Algoritmul de backpropagare și calculul rezervorului în rețelele neuronale recurente pentru prezicerea dinamicii spatiotemporale complexe. rețea neuronală. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. și Karniadakis, GE Physics, Information Science, Neronment Networks: Un cadru de învățare profundă pentru rezolvarea problemelor înainte și inversă care implică ecuații diferențiale parțiale neliniare. J. Computer. fizică. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. și Schönlieb, K.-B. Rețelele neuronale bazate pe fizică pot depăși metodele elementelor finite? IMA J. Aplicații. matematică. 89, 143–174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M., și Gómez-Romero, J. Rețele neuronale bazate pe fizică pentru modelarea bazată pe date: avantaje, limitări și oportunități. fizică. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, la un raport empiric privind rețelele neuronale bazate pe fizică în modelarea fluidelor: capcane și dezamăgiri. Preprint disponibil la https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. și Barba, LA LIMPĂRILE PREDICTIVE ALE REUTURILOR NEURALE INFORMATE FIZIC PENTRU FORMAREA VORTEXULUI. Preprint disponibil la https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. și Perdikaris, P. Când și de ce Pinns nu reușesc să se antreneze: o perspectivă neurală a nucleului tangent. J. Computer. fizică. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., și Mahoney, MW Caracteristici ale posibilelor moduri de eșec în rețelele neuronale cu informații fizice. A 35 -a Conferință privind sistemele de procesare a informațiilor neuronale Vol. 34, 26548–26560 (Neurips 2021).
Basir, S. și Senokak, I. Un studiu critic al modurilor de eșec în rețelele neuronale bazate pe fizică. În AIAA SciTech 2022 Forum 2353 (Ark, 2022).
Karnakov P., Litvinov S. și Koumoutsakos P. Rezolvarea problemelor inverse fizice prin optimizarea pierderilor discrete: învățare rapidă și precisă fără rețele neuronale. proces. Academia Națională de Științe. ştiinţă. Nexus 3, PGAE005 (2024).
Gundersen OE Principiile de bază ale reproductibilității. Phil.Cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E și Pearson A. Recenzii sistematice: o imagine de ansamblu. Da. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS și Rohde, K. Rețele neuronale constrânse pentru problema Riemann. J. Computer. fizică. 409, 109345 (2020).
Bezgin DA, Schmidt SJ și ADAMS NA, circuit de volum finit informat fizic, bazat fizic, pentru șocuri de tensiune redusă non-clasice. J. Computer. fizică. 437, 110324 (2021).
Timpul post: 29-2024 septembrie