Спасибо за посещение Nature.com. Версия браузера, которую вы используете, имеет ограниченную поддержку CSS. Для достижения наилучших результатов мы рекомендуем использовать более новую версию вашего браузера (или отключить режим совместимости в Internet Explorer). В то же время, чтобы обеспечить постоянную поддержку, мы показываем сайт без стиля или JavaScript.
Одним из наиболее перспективных применений машинного обучения в вычислительной физике является ускоренное решение уравнений с частичным дифференциалом (PDE). Основная цель решателя по дифференциальным уравнениям на основе машинного обучения состоит в том, чтобы создать решения, которые являются достаточно точными, чем стандартные численные методы, чтобы служить базовым сравнением. Сначала мы проводим систематический обзор литературы по машинному обучению по решению уравнений по дифференциалам. Из всех документов, сообщающих об использовании ML для решения дифференциальных уравнений с частицами жидкости и претензии на стандартные численные методы, мы определили 79% (60/76) по сравнению со слабыми базовыми показателями. Во -вторых, мы нашли доказательства широко распространенной предвзятости отчетности, особенно в результате отчетности о результатах и предвзятости публикации. Мы пришли к выводу, что исследования машинного обучения по решению уравнений с дифференциацией частичных дифференциаций чрезмерно оптимистичны: слабые входные данные могут привести к чрезмерно положительным результатам, а отчетность может привести к занижению отрицательных результатов. В значительной степени эти проблемы, по -видимому, вызваны факторами, аналогичными прошлым кризисам воспроизводимости: усмотрением исследователей и позитивным исходом. Мы призываем к восходящим культурным изменениям, чтобы минимизировать предвзятую отчетность и нисходящую структурную реформу, чтобы уменьшить извращенные стимулы для этого.
Список авторов и статей, сгенерированных систематическим обзором, а также классификация каждой статьи в случайной выборке, публично доступен по адресу https://doi.org/10.17605/osf.io/gq5b3 (ссылка 124).
Код, необходимый для воспроизведения результатов в таблице 2, можно найти на GitHub: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (ref. 125) и на коде океана: https://codeocean.com/capsule/9605539/ Дерево/ V1 (ссылка 126) и https://codeocean.com/capsule/0799002/tree/v1 (ссылка 127).
Рэндалл, Д. и Уилсер К., кризис невоспроизводимости в современной науке: причины, последствия и пути реформы (Национальная ассоциация ученых, 2018).
Ричи, С. Научная фантастика: как мошенничество, предвзятость, молчание и шумиха подрывают поиск правды (Vintage, 2020).
Открытое научное сотрудничество. Оценка воспроизводимости в психологической науке. Science 349, AAAC4716 (2015).
Принц Ф., Шланж Т. и Асадулла К. В.Е. Верьте или нет: сколько мы можем полагаться на опубликованные данные о потенциальных целях наркотиков? НАТ Преподобный «Открытие наркотиков». 10, 712 (2011).
Begley, KG и Ellis, LM повышают стандарты в доклинических исследованиях рака. Nature 483, 531–533 (2012).
А. Гелман и Э. Локен, Сад дорожных путей: почему множественные сравнения являются проблемой даже без «рыболовных экспедиций» или «P-HACKS» и предварительно сформированных исследований, вып. 348, 1–17 (Департамент статистики, 2013).
Karagiorgi, G., Kasecka, G., Kravitz S., Nachman, B. и Shi, D. машинное обучение в поисках новой фундаментальной физики. НАТ Доктор философии в физике. 4, 399–412 (2022).
Дара С., Дамерчерла С., Джадхав С.С., Бабу С.М. и Ахсан М.Дж. Машинное обучение в обнаружении лекарств: обзор. Атиф. Intel. Редакция 55, 1947–1999 (2022).
Мазер, AS и Coote, ML глубокое обучение в химии. J.Chemistry. уведомлять. Модель. 59, 2545–2559 (2019).
Раджкомар А., Дин Дж. И Кохан И. машинное обучение в медицине. Новая Англия Журнал медицины. 380, 1347–1358 (2019).
Гриммер Дж, Робертс меня. и машинное обучение Stewart BM в социальных науках: агностический подход. Преподобный Энн Болл. наука. 24, 395–419 (2021).
Jump, J. et al. Сделайте высокие точные прогнозы структуры белка, используя Alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. и Gil, Y. Источники невоспроизводимости в машинном обучении: обзор. Препринт доступен по адресу https://arxiv.org/abs/2204.07610 (2022).
Скалли Д., Снук Дж., Уилтчко А. и Рахими А. Проклятие победителя? О скорости, прогрессе и строгости эмпирических данных (ICLR, 2018).
Армстронг, Т.Г., Моффат, А., Уэббер, В. и Зобель, Дж. Неаддитивные усовершенствования: предварительные результаты поиска с 1998 года. 18-я конференция ACM по управлению информацией и знаниями 601–610 (ACM 2009).
Капур С. и Нараянан А. Кризисы утечки и воспроизводимости в науке на основе машинного обучения. Паттерны, 4, 100804 (2023).
Kapoor S. et al. Реформа: Стандарты научной отчетности, основанные на машинном обучении. Препринт доступен по адресу https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C. и Recht, B. Бессмысленные сравнения могут привести к ложному оптимизму в медицинском машинном обучении. PLOS ONE 12, E0184604 (2017).
Робертс М. и др. Общие ловушки и лучшие практики для использования машинного обучения для обнаружения и прогнозирования Covid-19 из рентгеновских лучей грудной клетки и компьютерной томографии. НАТ Максимум Intel. 3, 199–217 (2021).
Winantz L. et al. Прогнозирующие модели для диагностики и прогноза COVID-19: систематический обзор и критическая оценка. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS и Pollard KS преодолевают подводные камни использования машинного обучения в геномике. НАТ Пастор Джинетт. 23, 169–181 (2022).
Atris N. et al. Лучшие методы машинного обучения в химии. НАТ Химический. 13, 505–508 (2021).
Брунтон С.Л. и Куц Дж. Н. Многообещающие направления для машинного обучения уравнениям с частичным. НАТ рассчитать. наука. 4, 483–494 (2024).
Vinuesa, R. и Brunton, SL улучшает вычислительную динамику жидкости с помощью машинного обучения. НАТ рассчитать. наука. 2, 358–366 (2022).
Comeau, S. et al. Научное машинное обучение с физически информированными нейронными сетями: где мы сейчас находимся и что дальше. J. Science. рассчитать. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. и Xiao, H. моделирование турбулентности в эпоху данных. Пересмотренное издание Энн. 51, 357–377 (2019).
Durran, DR Численные методы решения уравнений волн в геофизической гидродинамике, вып. 32 (Springer, 2013).
Мишра С. Структура машинного обучения для ускорения вычислений, управляемых данными дифференциальных уравнений. Математика. инженер. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et al. Машинное обучение - ускорение вычислительной динамики жидкости. процесс. Национальная академия наук. наука. US 118, E2101784118 (2021).
Kadapa, K. машинное обучение для компьютерных наук и инженерии - краткое введение и некоторые ключевые проблемы. Препринт доступен по адресу https://arxiv.org/abs/2112.12054 (2021).
Росс, А., Ли, З., Пересхогин П., Фернандес-Гранда, С. и Занна, Л. Сравнительный анализ параметризации подсплаты машинного обучения в идеализированных моделях. J.Adv. Модель. Земная система. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., и Brandstetter, J. Уточнение PDE: достижение точных длинных экстрамин с нейронным решателем PDE. 37 -я конференция по системам обработки нейронной информации (Neurips 2023).
Frachas, PR et al. Алгоритм обратного распространения и расчет резервуара в рецидивирующих нейронных сетях для прогнозирования сложной пространственно -временной динамики. Нейронная сеть. 126, 191–217 (2020).
Райсси М., Пердикарис П. и Карнадакис, Физика GE, информатики, нейронные сети: глубокая структура обучения для решения форвардных и обратных проблем, связанных с нелинейными уравнениями в части, нелинейных. J. Компьютер. физика. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. и Schönlieb, K.-B. Могут ли физические нейронные сети превзойти методы конечных элементов? Има Дж. Приложения. Математика. 89, 143–174 (2024).
De la Mata, FF, Gijon, A., Molina-Solana, M. и Gómez-Romero, J. Нейронные сети на основе физики для моделирования, управляемого данными: преимущества, ограничения и возможности. физика. 610, 128415 (2023).
Чжуан, П.-Ю. & Barba, LA An empirical report on physics-based neural networks in fluid modeling: pitfalls and disappointments. Preprint available at https://arxiv.org/abs/2205.14249 (2022).
Чжуан, П.-Ю. и Барба, LA прогнозирующие ограничения физически информированных нейронных сетей на формировании вихря. Препринт доступен по адресу https://arxiv.org/abs/2306.00230 (2023).
Wang S., Yu, H. и Perdikaris, P. Когда и почему Pinns не тренируются: нервное касательное ядро. J. Компьютер. физика. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. и Mahoney, MW Характеристики возможных режимов отказа в нейронных сетях физической информации. 35th Conference of Neural Information Systems Vol. 34, 26548–26560 (Neurips 2021).
Басир С. и Сенокак И. Критическое исследование режимов неудачи в физике, основанных на нейронных сетях. В AIAA SCITECH 2022 FORUM 2353 (ARK, 2022).
Карнаков П., Литвинов С. и Кумоутсак П. Решение физических обратных проблем путем оптимизации дискретных потерь: быстрое и точное обучение без нейронных сетей. процесс. Национальная академия наук. наука Nexus 3, Pgae005 (2024).
Gundersen OE Основные принципы воспроизводимости. Phil.cross. Р. Шукер. 379, 20200210 (2021).
Aromataris E и Pearson A. Систематические обзоры: обзор. Да. J. Уход 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS и Rohde, K. Нейронные сети с ограниченными ограничениями для проблемы Riemann. J. Компьютер. физика. 409, 109345 (2020).
Bezgin DA, Schmidt SJ и Adams NA, управляемая данными, физически информированная конечная объемная схема для неклассических ударов уменьшенного напряжения. J. Компьютер. физика. 437, 110324 (2021).
Время сообщения: сентябрь-29-2024