Ďakujeme za návštevu nature.com. Verzia prehliadača, ktorú používate, má obmedzenú podporu CSS. Najlepšie výsledky vám odporúčame, aby ste použili novšiu verziu prehliadača (alebo zakáže režim kompatibility v Internet Explorer). In the meantime, to ensure ongoing support, we are showing the site without styling or JavaScript.
Jednou z najsľubnejších aplikácií strojového učenia vo výpočtovej fyzike je zrýchlené riešenie čiastkových diferenciálnych rovníc (PDE). Hlavným cieľom riešiča čiastočných diferenciálnych rovníc založených na strojovom učení je produkovať riešenia, ktoré sú dostatočne presné rýchlejšie ako štandardné numerické metódy, ktoré slúžia ako základné porovnanie. We first conduct a systematic review of the machine learning literature on solving partial differential equations. Zo všetkých článkov, ktoré hlásia použitie ML na riešenie čiastkových diferenciálnych rovníc tekutín a nárokovanie nadradenosti nad štandardnými numerickými metódami, sme identifikovali 79% (60/76) v porovnaní so slabými základnými líniami. Second, we found evidence of widespread reporting bias, particularly in outcome reporting and publication bias. Dospeli sme k záveru, že výskum strojového učenia o riešení čiastkových diferenciálnych rovníc je príliš optimistický: Slabé vstupné údaje môžu viesť k príliš pozitívnym výsledkom a vykazovanie zaujatosti môže viesť k nedostatočnému hláseniu negatívnych výsledkov. Z veľkej časti sa zdá, že tieto problémy sú spôsobené faktormi podobnými minulým krízam reprodukovateľnosti: uváženia vyšetrovateľa a pozitívna zaujatosť výsledku. We call for bottom-up cultural change to minimize biased reporting and top-down structural reform to reduce perverse incentives to do so.
Kód potrebný na reprodukciu výsledkov v tabuľke 2 nájdete na GitHub: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (ref. 125) a na kód Ocean: https://codeocean.com/capsule/9605539/ Tree/ v1 (link 126) and https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Ritchie, S. Science Fiction: Ako podvod, zaujatosť, ticho a humbuk podkopávajú hľadanie pravdy (Vintage, 2020).
Otvorená vedecká spolupráca. Hodnotenie reprodukovateľnosti v psychologickej vede. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. a Asadullah, K. Verte tomu alebo nie: Koľko sa môžeme spoliehať na publikované údaje o potenciálnych drogových cieľoch? Nat. „Objav drog.“ 10, 712 (2011).
Begley, Kg a Ellis, LM na zvyšovanie štandardov vo výskume predklinického rakoviny. Nature 483, 531–533 (2012).
A. Gelman a E. Loken, Záhrada konzervovateľských ciest: Prečo je viac porovnaní problémom aj bez „rybolovných expedícií“ alebo „p-hacks“ a predformovaných výskumných hypotéz, roč. 348, 1–17 (ministerstvo štatistík, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. a Shi, D. Machine učenie pri hľadaní novej základnej fyziky. Nat. Doktor filozofie vo fyzike. 4, 399 - 412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM a Ahsan MJ. Strojové učenie v objavovaní drog: prehľad. Atif. Intel. Ed. 55, 1947 - 1999 (2022).
Mather, AS a Coote, ML hlboké učenie v chémii. J.Chemistry. upozorniť. Model. 59, 2545 - 2559 (2019).
Rajkomar A., Dean J. a Kohan I. Strojové učenie v medicíne. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts Me. a strojové učenie Stewart BM v spoločenských vedách: agnostický prístup. Ann Ball. veda. 24, 395 - 419 (2021).
Jump, J. a kol. Vytvorte vysoko presné predpovede proteínovej štruktúry pomocou alfafoldu. Nature 596, 583 - 589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. a Gil, Y. Zdroje nezvratnosti v strojovom učení: prehľad. Predtlač k dispozícii na adrese https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. a Rahimi, A. Winner's Curse? O rýchlosti, pokroku a prísnosti empirických dôkazov (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. a Zobel, J. Neaditívne vylepšenia: predbežné výsledky vyhľadávania od roku 1998. 18. konferencia ACM o informáciách a správe vedomostí 601–610 (ACM 2009).
Kapoor, S. a Narayanan, A. Krízy úniku a reprodukovateľnosti vo vede založenej na strojovom učení. Vzory, 4, 100804 (2023).
Kapoor S. a kol. Reforma: Vedecké štandardy podávania správ založené na strojovom učení. Predtlač k dispozícii na adrese https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C. a Recht, B. Zmyselné porovnania môžu viesť k falošnému optimizmu v lekárskom strojovom učení. PLOS One 12, E0184604 (2017).
Roberts, M., a kol. Bežné úskalia a osvedčené postupy na používanie strojového učenia na detekciu a predpovedanie Covid-19 z röntgenových lúčov hrudníka a počítačovej tomografie. Nat. Max. Intel. 3, 199 - 217 (2021).
Winantz L. a kol. Prediktívne modely diagnostiky a prognózy Covid-19: systematické preskúmanie a kritické hodnotenie. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS a Pollard KS prekonávajú nástrahy používania strojového učenia v genomike. Nat. Pastor Ginette. 23, 169 - 181 (2022).
Atris N. a kol. Osvedčené postupy pre strojové učenie v chémii. Nat. Chemický. 13, 505 - 508 (2021).
Brunton SL a Kutz Jn Sľubné smery pre strojové učenie čiastočných diferenciálnych rovníc. Nat. vypočítať. veda. 4, 483 - 494 (2024).
Vinuesa, R. a Brunton, SL zlepšujúca dynamiku výpočtovej tekutiny prostredníctvom strojového učenia. Nat. vypočítať. veda. 2, 358 - 366 (2022).
Comeau, S. a kol. Vedecké strojové učenie s fyzicky informovanými neurónnymi sieťami: Kde sme teraz a čo bude ďalej. J. Science. vypočítať. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. a Xiao, H. Modelovanie turbulencie v ére údajov. Revidované vydanie Ann. 51, 357–377 (2019).
Durran, Numerické metódy DR na riešenie vlnových rovníc v geofyzikálnej hydrodynamike, zv. 32 (Springer, 2013).
Mishra, S. Rámec strojového učenia na urýchlenie výpočtu diferenciálnych rovníc založených na údajoch. matematika. inžinier. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. a kol. Strojové učenie - zrýchlenie dynamiky výpočtovej tekutiny. proces. Národná akadémia vied. veda. US 118, E2101784118 (2021).
Kadapa, K. Strojové učenie pre informatiku a inžinierstvo - stručný úvod a niektoré kľúčové problémy. Predtlač k dispozícii na adrese https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. a Zanna, L. Porovnávacia analýza parametrizácie subgridu strojového učenia oceánu v idealizovaných modeloch. J.adv. Model. zemský systém. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. a Brandstetter, J. PDE Resinement: Dosiahnutie presných dlhých výtvarov s nervovým riešičom PDE. 37. konferencia o systémoch spracovania informácií o nervových informáciách (Neurips 2023).
Frachas, Pr a kol. Algoritmus backpropagation a výpočet rezervoárov v opakujúcich sa neurónových sieťach na predpovedanie komplexnej priestorovej dynamiky. neurónová sieť. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. a Karniaadakis, GE Physics, Computer Science, Neural Networks: Rámec hlbokého vzdelávania na riešenie dopredu a inverzných problémov zahŕňajúcich nelineárne čiastočné diferenciálne rovnice. J. Počítač. fyzika. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., a Schönlieb, K.-B. Môžu neurónové siete založené na fyzike prekonať metódy konečných prvkov? IMA J. Aplikácie. matematika. 89, 143 - 174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M. a Gómez-Romero, J. Neurálne siete založené na fyzike pre modelovanie založené na údajoch: výhody, obmedzenia a príležitosti. physics. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA An empirical report on physics-based neural networks in fluid modeling: pitfalls and disappointments. Predtlač k dispozícii na adrese https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. a Barba, LA prediktívne obmedzenia fyzicky informovaných neurónových sietí o tvorbe víru. Predtlač k dispozícii na adrese https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. a Perdikaris, P. Kedy a prečo Pinns nedokážu trénovať: perspektívu nervového tangentu. J. Počítač. fyzika. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. a Mahoney, MW Charakteristiky možných režimov zlyhania v neurónových sieťach fyzických informácií. 35. konferencia o systémoch spracovania neurónových informácií Zv. 34, 26548 - 26560 (Neurips 2021).
Basir, S. a Senokak, I. Kritická štúdia režimov zlyhania v neurónových sieťach založených na fyzike. Vo fóre AIAA Scitech 2022 2353 (Ark, 2022).
Karnakov P., Litvinov S. and Koumoutsakos P. Solving physical inverse problems by optimizing discrete losses: fast and accurate learning without neural networks. proces. Národná akadémia vied. veda. Nexus 3, PGAE005 (2024).
Gundersen OE Základné princípy reprodukovateľnosti. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E a Pearson A. Systematické recenzie: Prehľad. Áno. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS a Rohde, K. Neurónové siete s obmedzením pre Riemann. J. Počítač. fyzika. 409, 109345 (2020).
Bezgin DA, Schmidt SJ a Adams NA Data poháňané fyzicky informovaný obvod s konečným objemom pre neklasické znížené napäťové otrasy. J. Počítač. fyzika. 437, 110324 (2021).
Čas príspevku: 2. septembra-2024