Hvala za obisk Nature.com. Različica brskalnika, ki ga uporabljate, ima omejeno podporo CSS. Za najboljše rezultate priporočamo, da uporabite novejšo različico svojega brskalnika (ali onemogočite način združljivosti v Internet Explorerju). Medtem za zagotovitev stalne podpore prikazujemo spletno mesto brez oblikovanja ali javascripta.
Ena najbolj obetavnih aplikacij strojnega učenja v računski fiziki je pospešena rešitev delnih diferencialnih enačb (PDE). Glavni cilj delne diferencialne enačbe, ki temelji na strojnem učenju, je ustvariti rešitve, ki so dovolj natančne hitrejše od standardnih numeričnih metod, ki služijo kot osnovna primerjava. Najprej opravimo sistematičen pregled literature o strojnem učenju o reševanju delnih diferencialnih enačb. Od vseh dokumentov, ki poročajo o uporabi ML za reševanje delnih diferencialnih enačb tekočine in trditve o premoč nad standardnimi numeričnimi metodami, smo identificirali 79% (60/76) v primerjavi s šibkimi izhodišči. Drugič, našli smo dokaze o široki pristranskosti poročanja, zlasti pri poročanju o rezultatih in pristranskosti objave. Zaključujemo, da so raziskave strojnega učenja o reševanju delnih diferencialnih enačb preveč optimistične: šibki vhodni podatki lahko privedejo do preveč pozitivnih rezultatov, pristranskost poročanja pa lahko privede do premalo poročanja o negativnih rezultatih. V veliki meri se zdi, da te težave povzročajo dejavniki, podobni preteklim krizom obnovljivosti: diskrecija preiskovalca in pozitivna pristranskost rezultatov. Pozivamo k kulturnim spremembam od spodaj navzgor, da bi zmanjšali pristransko poročanje in strukturno reformo od zgoraj navzdol, da bi zmanjšali perverzne spodbude za to.
Seznam avtorjev in člankov, ustvarjenih s sistematičnim pregledom, ter razvrstitev vsakega članka v naključnem vzorcu, je javno dostopno na https://doi.org/10.17605/osf.io/gq5b3 (ref. 124).
Kodo, potrebno za reprodukcijo rezultatov v tabeli 2, najdete na github: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (ref. 125) in na kodi ocean: https://codeocean.com/capsule/9605539/ Drevo/ v1 (povezava 126) in https://codeocean.com/capsule/0799002/tree/v1 (povezava 127).
Randall, D., in Welser, K., Kriza nepomembnosti v sodobni znanosti: vzroki, posledice in poti za reformo (National Association of Scientists, 2018).
Ritchie, S. Znanstvena fantastika: Kako goljufija, pristranskost, tišina in hype spodkopavajo iskanje resnice (Vintage, 2020).
Odprto znanstveno sodelovanje. Ocenjevanje obnovljivosti v psihološki znanosti. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. in Asadullah, K. Verjeli ali ne: Koliko se lahko zanesemo na objavljene podatke o potencialnih ciljih z drogami? Nat. Rev. "Odkritje drog." 10, 712 (2011).
Begley, KG in Ellis, LM dviguje standarde v predkliničnih raziskavah raka. Nature 483, 531–533 (2012).
A. Gelman in E. Loken, Vrt vilicnih poti: Zakaj je več primerjav problem tudi brez "ribolovnih odprav" ali "p-hacks" in predhodno oblikovanih raziskovalnih hipotez, vol. 348, 1–17 (Ministrstvo za statistiko, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., in Shi, D. Strojno učenje v iskanju nove temeljne fizike. Nat. Doktor filozofije v fiziki. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM in Ahsan MJ. Strojno učenje pri odkrivanju drog: pregled. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, As in Coote, ML globoko učenje v kemiji. J.Chemistry. obvestiti. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. in Kohan I. Strojno učenje v medicini. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts Me. in Stewart BM strojno učenje v družbenih vedah: agnostični pristop. Rev. Ann Ball. znanost. 24, 395–419 (2021).
Jump, J. et al. Naredite zelo natančne napovedi strukture beljakovin z uporabo AlphaFold. Narava 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., in Gil, Y. Viri nerazrešljivosti pri strojnem učenju: pregled. Pretrint je na voljo na https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., in Rahimi, A. zmagovalčevo prekletstvo? O hitrosti, napredku in strogosti empiričnih dokazov (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., in Zobel, J. Neaditivne izboljšave: predhodni rezultati iskanja od leta 1998. 18. konferenca ACM o upravljanju informacij in znanja 601–610 (ACM 2009).
Kapoor, S. in Narayanan, A. Krize puščanja in obnovljivosti v znanosti, ki temelji na strojnem učenju. Vzorci, 4, 100804 (2023).
Kapoor S. et al. Reforma: Strokovne standarde poročanja, ki temeljijo na strojnem učenju. Pretrint je na voljo na https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C., in Recht, B. Nesmiselne primerjave lahko privedejo do lažnega optimizma pri medicinskem strojnem učenju. PLoS One 12, E0184604 (2017).
Roberts, M., et al. Pogoste pasti in najboljše prakse za uporabo strojnega učenja za odkrivanje in napovedovanje CoviD-19 iz rentgenskih žarkov prsnega koša in računalniške tomografije. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Napovedni modeli za diagnozo in prognozo CoviD-19: sistematičen pregled in kritična ocena. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS in Pollard KS premagajo pasti uporabe strojnega učenja v genomiki. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Najboljše prakse za strojno učenje v kemiji. Nat. Kemična. 13, 505–508 (2021).
Brunton SL in Kutz JN obetavna navodila za strojno učenje delnih diferencialnih enačb. Nat. izračunati. znanost. 4, 483–494 (2024).
Vinuesa, R. in Brunton, SL izboljšuje računalniško dinamiko tekočine s pomočjo strojnega učenja. Nat. izračunati. znanost. 2, 358–366 (2022).
Comeau, S. et al. Znanstveno strojno učenje s fizično informiranimi nevronskimi omrežji: kje smo zdaj in kaj sledi. J. Science. izračunati. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. in Xiao, H. Modeliranje turbulenc v podatkovni dobi. Revidirana izdaja Ann. 51, 357–377 (2019).
Durran, DR Numerične metode za reševanje valovnih enačb v geofizični hidrodinamiki, vol. 32 (Springer, 2013).
Mishra, S. Okvir strojnega učenja za pospeševanje izračunavanja diferencialnih enačb, ki temeljijo na podatkih. matematika. inženir. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et al. Strojno učenje - pospeševanje dinamike računske tekočine. proces. Nacionalna akademija znanosti. znanost. US 118, E2101784118 (2021).
Kadapa, K. Strojno učenje za računalništvo in inženiring - kratek uvod in nekaj ključnih vprašanj. Pretrint je na voljo na https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., in Zanna, L. Primerjalna analiza parametrizacije podzemlja Strojnega učenja Ocean Ocean v idealiziranih modelih. J.Adv. Model. Zemeljski sistem. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., in Brandstetter, J. PDE Rafinenment: doseganje natančnih dolgih ekstruzij z nevronskim reševalnikom PDE. 37. konferenca o sistemih za obdelavo nevronskih informacij (Neurips 2023).
Frachas, PR et al. Algoritem za backpropagacijo in izračun rezervoarjev v ponavljajočih se nevronskih omrežjih za napovedovanje zapletene prostorskotemporalne dinamike. nevronska mreža. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. in Karniadakis, GE Physics, Računalništvo, nevronske mreže: globoko učni okvir za reševanje predhodnih in obratnih problemov, ki vključujejo nelinearne delne diferencialne enačbe. J. Računalnik. fizika. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. in Schönlieb, K.-B. Ali lahko fizikalne nevronske mreže presegajo metode končnih elementov? IMA J. Vloge. matematika. 89, 143–174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M., in Gómez-Romero, J. Nevronska omrežja, ki temeljijo na fiziki, za modeliranje, ki temelji na podatkih: Prednosti, omejitve in priložnosti. fizika. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, la empirično poročilo o fizikalnih nevronskih omrežjih pri modeliranju tekočin: pasti in razočaranja. Pretrint je na voljo na https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. in Barba, LA napovedovalne omejitve fizično informiranih nevronskih omrežij o tvorbi vrtincev. Pretrint je na voljo na https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., in Perdikaris, P. Kdaj in zakaj Pinns ne trenira: perspektiva nevronskega jedra. J. Računalnik. fizika. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., in Mahoney, MW značilnosti možnih načinov odpovedi v fizičnih informacijskih nevronskih omrežjih. 35. konferenca o nevronskih sistemih za obdelavo informacij Vol. 34, 26548–26560 (Neurips 2021).
Basir, S. in Senokak, I. Kritična študija načinov odpovedi v fizikalnih nevronskih mrežah. V forumu AIAA Scitech 2022 2353 (ARK, 2022).
Karnakov P., Litvinov S. in Koumoutsakos P. Reševanje fizičnih inverznih težav z optimizacijo diskretnih izgub: hitro in natančno učenje brez nevronskih omrežij. proces. Nacionalna akademija znanosti. znanost. Nexus 3, PGAE005 (2024).
Gundersen OE Osnovna načela obnovljivosti. Phil.Cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E in Pearson A. Sistematični pregledi: pregled. DA. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, in Rohde, K. Nevronske mreže, ki se zavedajo omejitve za problem Riemanna. J. Računalnik. fizika. 409, 109345 (2020).
Bezgin DA, Schmidt SJ in Adams NA, ki ga poganjajo podatki Fizično informirani končni volumen, za neklasično zmanjšane napetostne udarce. J. Računalnik. fizika. 437, 110324 (2021).
Čas objave: september-29-2024