Faleminderit për vizitën e natyrës.com. Versioni i shfletuesit që po përdorni ka mbështetje të kufizuar CSS. Për rezultate më të mira, ne ju rekomandojmë të përdorni një version më të ri të shfletuesit tuaj (ose çaktivizoni mënyrën e pajtueshmërisë në Internet Explorer). Ndërkohë, për të siguruar mbështetje të vazhdueshme, ne po tregojmë faqen pa stilim ose JavaScript.
One of the most promising applications of machine learning in computational physics is the accelerated solution of partial differential equations (PDEs). The main goal of a machine learning-based partial differential equation solver is to produce solutions that are accurate enough faster than standard numerical methods to serve as a baseline comparison. Ne së pari kryejmë një përmbledhje sistematike të literaturës së mësimit të makinerisë për zgjidhjen e ekuacioneve diferenciale të pjesshme. Nga të gjitha letrat që raportojnë përdorimin e ML për të zgjidhur ekuacionet diferenciale të pjesshme të lëngjeve dhe duke pretenduar epërsi mbi metodat standarde numerike, ne identifikuam 79% (60/76) në krahasim me bazat e dobëta. Së dyti, ne gjetëm prova të paragjykimit të gjerë të raportimit, veçanërisht në raportimin e rezultateve dhe paragjykimet e publikimit. Ne konkludojmë se hulumtimi i mësimit të makinerisë për zgjidhjen e ekuacioneve diferenciale të pjesshme është tepër optimist: të dhënat e dobëta të hyrjes mund të çojnë në rezultate tepër pozitive, dhe paragjykimi i raportimit mund të çojë në raportimin e rezultateve negative. In large part, these problems appear to be caused by factors similar to past reproducibility crises: investigator discretion and positive outcome bias. Ne bëjmë thirrje për ndryshime kulturore nga poshtë-lart për të minimizuar raportimin e njëanshëm dhe reformën strukturore nga lart-poshtë për të zvogëluar stimujt e çoroditur për ta bërë këtë.
Lista e autorëve dhe artikujve të gjeneruar nga rishikimi sistematik, si dhe klasifikimi i secilit artikull në mostrën e rastit, është e disponueshme publikisht në https://doi.org/10.17605/osf.io/gq5b3 (ref. 124).
Kodi i nevojshëm për të riprodhuar rezultatet në Tabelën 2 mund të gjenden në github: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (Ref. 125) dhe në kodin Ocean: https://codeocean.com/capsule/960539/ Pemë/ v1 (lidhja 126) dhe https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Randall, D., dhe Welser, K., Kriza e Irreprodhueshmërisë në Shkencën Moderne: Shkaqet, Pasojat dhe Rrugët për Reforma (Shoqata Kombëtare e Shkencëtarëve, 2018).
Ritchie, S. Science Fiction: Si Mashtrimi, Paragjykimi, Heshtja dhe Hype minojnë kërkimin e së vërtetës (Vintage, 2020).
Bashkëpunim i hapur shkencor. Vlerësimi i riprodhueshmërisë në shkencën psikologjike. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., dhe Asadullah, K. Besoni apo jo: Sa mund të mbështetemi në të dhënat e publikuara për objektivat e mundshëm të ilaçeve? Nat Rev. "Zbulimi i drogës". 10, 712 (2011).
Begley, KG dhe Ellis, LM duke ngritur standarde në hulumtimin paraklinik të kancerit. Natyra 483, 531–533 (2012).
A. Gelman dhe E. Loken, Kopshti i Shtigjeve të Forcave: Pse krahasimet e shumta janë problem edhe pa "ekspedita peshkimi" ose "p-hacks" dhe hipoteza të paraformuara të kërkimit, vëll. 348, 1–17 (Departamenti i Statistikave, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., and Shi, D. Mësimi i makinerisë në kërkim të fizikës së re themelore. Nat Doktor i Filozofisë në Fizikë. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM dhe Ahsan MJ. Mësimi i makinerisë në zbulimin e drogës: Një përmbledhje. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS dhe Coote, ML Mësimi i thellë në kimi. J.Kimi. njoftoj. Model 59, 2545-2559 (2019).
Rajkomar A., Dean J. dhe Kohan I. Mësimi i makinerisë në mjekësi. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts Me. dhe Mësimi i makinerisë Stewart BM në Shkencat Sociale: Një Qasje Agnostike. Rev. Ann Ball. shkencë 24, 395–419 (2021).
Shko, J. et al. Bëni parashikime shumë të sakta të strukturës së proteinave duke përdorur alfafold. Natyra 596, 583-589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., and Gil, Y. Burimet e Irreprodhueshmërisë në Mësimin e Makinerisë: Një përmbledhje. Paraprakisht në dispozicion në https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., dhe Rahimi, A. Mallkimi i Fituesit? Me shpejtësinë, përparimin dhe ashpërsinë e provave empirike (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., and Zobel, J. Përmirësime jo të shtuara: Rezultatet paraprake të kërkimit që nga viti 1998. Konferenca e 18-të e ACM për Menaxhimin e Informacionit dhe Njohurive 601–610 (ACM 2009).
Kapoor, S. dhe Narayanan, A. Krizat e rrjedhjes dhe riprodhueshmërisë në shkencën e bazuar në mësimin e makinerisë. Modelet, 4, 100804 (2023).
Kapoor S. et al. Reforma: Standardet e raportimit shkencor bazuar në mësimin e makinerisë. Paraprakisht në dispozicion në https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cordiing, C., dhe Recht, B. Krahasimet e pakuptimta mund të çojnë në optimizëm të rremë në mësimin e makinerive mjekësore. PLOS ONE 12, E0184604 (2017).
Roberts, M., et al. Grackat e zakonshme dhe praktikat më të mira për përdorimin e mësimit të makinerisë për të zbuluar dhe parashikuar COVID-19 nga rrezet X të gjoksit dhe tomografia e llogaritur. Nat Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Modelet parashikuese për diagnostikimin dhe prognozën e COVID-19: një përmbledhje sistematike dhe vlerësim kritik. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS dhe Pollard KS duke kapërcyer pengesat e përdorimit të mësimit të makinerive në gjenomikë. Nat Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Praktikat më të mira për mësimin e makinerive në kimi. Nat Kimik. 13, 505-508 (2021).
Brunton SL dhe Kutz JN udhëzime premtuese për mësimin e makinerisë së ekuacioneve diferenciale të pjesshme. Nat llogaritni. shkencë 4, 483–494 (2024).
Vinuesa, R. dhe Brunton, SL duke përmirësuar dinamikën e lëngjeve llogaritëse përmes mësimit të makinerisë. Nat llogaritni. shkencë 2, 358–366 (2022).
Comeau, S. et al. Mësimi i makinerisë shkencore me rrjete nervore të informuara fizikisht: ku jemi tani dhe çfarë është tjetër. J. Shkencë. llogaritni. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., dhe Xiao, H. Modelimi i turbullirave në epokën e të dhënave. Edicioni i rishikuar i Ann. 51, 357–377 (2019).
Durran, DR Metodat numerike për zgjidhjen e ekuacioneve të valës në hidrodinamikën gjeofizike, vëll. 32 (Springer, 2013).
Mishra, S. Një kornizë e mësimit të makinerisë për përshpejtimin e llogaritjes së drejtuar nga të dhënat e ekuacioneve diferenciale. Matematikë. inxhinier https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et al. Mësimi i makinerisë - Përshpejtimi i dinamikës së lëngjeve llogaritëse. proces Akademia Kombëtare e Shkencave. shkencë 118 US, E2101784118 (2021).
Kadapa, K. Mësimi i makinerisë për shkencën dhe inxhinierinë e kompjuterave - Një prezantim i shkurtër dhe disa çështje kryesore. Paraprakisht në dispozicion në https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., and Zanna, L. Comparative analysis of machine learning ocean subgrid parameterization in idealized models. J.Adv. Model. earth system. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., dhe Brandstetter, J. PDE Rafinimi: Arritja e ekstruzive të sakta të sakta me një zgjidhës nervor PDE. Konferenca e 37 -të për Sistemet e Përpunimit të Informacionit Neural (Neurips 2023).
Frachas, Pr et al. Algoritmi i prapambetjes dhe llogaritja e rezervuarit në rrjetet nervore të përsëritura për parashikimin e dinamikës komplekse spatiotemporale. Rrjeti nervor. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. dhe Karniadakis, GE Fizikë, Shkencë Kompjuterike, Rrjetet Neurale: Një Kornizë e Mësimit të thellë për zgjidhjen e problemeve përpara dhe të kundërta që përfshijnë ekuacionet diferenciale të pjesshme jolineare. J. Kompjuter. Fizikë. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., dhe Schönlieb, K.-B. A mundet që rrjetet nervore të bazuara në fizikë të tejkalojnë metodat e elementeve të fundme? IMA J. Aplikime. Matematikë. 89, 143–174 (2024).
De la Mata, FF, Gijon, A., Molina-Solana, M., dhe Gómez-Romero, J. Rrjetet nervore të bazuara në fizikë për modelimin e drejtuar nga të dhënat: avantazhet, kufizimet dhe mundësitë. Fizikë. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, la një raport empirik mbi rrjetet nervore të bazuara në fizikë në modelimin e lëngjeve: kurthe dhe zhgënjime. Paraprakisht në dispozicion në https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. dhe Barba, LA kufizime parashikuese të rrjeteve nervore të informuara fizikisht në formimin e vorbullës. Paraprakisht në dispozicion në https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., dhe Perdikaris, P. Kur dhe pse pinns nuk arrijnë të stërviten: një perspektivë e bërthamës së tangjentës nervore. J. Kompjuter. Fizikë. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., dhe Mahoney, MW Karakteristikat e mënyrave të mundshme të dështimit në rrjetet nervore të informacionit fizik. Konferenca e 35 -të për sistemet e përpunimit të informacionit nervor Vol. 34, 26548–26560 (Neurips 2021).
Basir, S. dhe Senokak, I. Një studim kritik i mënyrave të dështimit në rrjetet nervore të bazuara në fizikë. Në AIAA Scitech 2022 Forum 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 Akademia Kombëtare e Shkencave. shkencë Nexus 3, PGAE005 (2024).
Gundersen OE Parimet themelore të riprodhueshmërisë. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E dhe Pearson A. Shqyrtime sistematike: Një përmbledhje. Po. J. Infermieria 114, 53-58 (2014).
Bezgin DA, Schmidt SJ dhe ADAMS NA të drejtuara nga të dhënat e informuar fizikisht, qark i vëllimit të kufizuar për tronditje të tensionit të zvogëluar jo klasike. J. Kompjuter. Fizikë. 437, 110324 (2021).
Koha e postimit: Shtator-29-2024