ขอบคุณสำหรับการเยี่ยมชม Nature.com รุ่นของเบราว์เซอร์ที่คุณใช้มีการสนับสนุน CSS จำกัด เพื่อผลลัพธ์ที่ดีที่สุดเราขอแนะนำให้คุณใช้เบราว์เซอร์รุ่นใหม่กว่า (หรือปิดการใช้งานโหมดความเข้ากันได้ใน Internet Explorer) ในระหว่างนี้เพื่อให้แน่ใจว่าการสนับสนุนอย่างต่อเนื่องเรากำลังแสดงเว็บไซต์โดยไม่ต้องจัดแต่งทรงผมหรือจาวาสคริปต์
หนึ่งในแอพพลิเคชั่นที่มีแนวโน้มมากที่สุดของการเรียนรู้ของเครื่องในฟิสิกส์การคำนวณคือโซลูชันเร่งของสมการเชิงอนุพันธ์บางส่วน (PDEs) เป้าหมายหลักของเครื่องแก้สมการเชิงอนุพันธ์บางส่วนที่ใช้การเรียนรู้ของเครื่องคือการผลิตโซลูชันที่แม่นยำเพียงพอกว่าวิธีการเชิงตัวเลขมาตรฐานเพื่อใช้เป็นแบบเปรียบเทียบพื้นฐาน ก่อนอื่นเราจะทำการทบทวนอย่างเป็นระบบเกี่ยวกับวรรณกรรมการเรียนรู้ของเครื่องเกี่ยวกับการแก้สมการเชิงอนุพันธ์บางส่วน จากเอกสารทั้งหมดที่รายงานการใช้ ML เพื่อแก้สมการเชิงอนุพันธ์บางส่วนของเหลวและอ้างว่าเหนือกว่าวิธีการเชิงตัวเลขมาตรฐานเราระบุ 79% (60/76) เมื่อเทียบกับเส้นใยที่อ่อนแอ ประการที่สองเราพบหลักฐานของอคติการรายงานอย่างกว้างขวางโดยเฉพาะอย่างยิ่งในการรายงานผลลัพธ์และอคติการตีพิมพ์ We conclude that machine learning research on solving partial differential equations is overly optimistic: weak input data can lead to overly positive results, and reporting bias can lead to underreporting of negative results. In large part, these problems appear to be caused by factors similar to past reproducibility crises: investigator discretion and positive outcome bias. เราเรียกร้องให้มีการเปลี่ยนแปลงทางวัฒนธรรมจากล่างขึ้นบนเพื่อลดการรายงานแบบลำเอียงและการปฏิรูปโครงสร้างจากบนลงล่างเพื่อลดแรงจูงใจที่ผิดปกติ
รายชื่อผู้แต่งและบทความที่สร้างขึ้นโดยการตรวจสอบอย่างเป็นระบบรวมถึงการจำแนกประเภทของแต่ละบทความในตัวอย่างสุ่มมีให้บริการที่ https://doi.org/10.17605/osf.io/gq5b3 (อ้างอิง 124)
รหัสที่จำเป็นในการทำซ้ำผลลัพธ์ในตารางที่ 2 สามารถพบได้ใน gitHub: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (อ้างอิง 125) และบนรหัสมหาสมุทร: https://codeocean.com/capsule/9605539/ Tree/ v1 (ลิงก์ 126) และ https://codeocean.com/capsule/0799002/tree/v1 (ลิงก์ 127)
Randall, D. , และ Welser, K. , วิกฤตการณ์ที่ไม่สามารถเกิดขึ้นได้ในวิทยาศาสตร์สมัยใหม่: สาเหตุ, ผลที่ตามมาและเส้นทางสู่การปฏิรูป (สมาคมนักวิทยาศาสตร์แห่งชาติ, 2018)
Ritchie, S. นิยายวิทยาศาสตร์: การฉ้อโกง, อคติ, ความเงียบ, และ hype บ่อนทำลายการค้นหาความจริง (วินเทจ, 2020)
เปิดการทำงานร่วมกันทางวิทยาศาสตร์ การประเมินความสามารถในการทำซ้ำในวิทยาศาสตร์จิตวิทยา วิทยาศาสตร์ 349, AAAC4716 (2015)
Prinz, F. , Schlange, T. , และ Asadullah, K. เชื่อหรือไม่: เราสามารถพึ่งพาข้อมูลที่เผยแพร่เกี่ยวกับเป้าหมายยาที่มีศักยภาพได้มากแค่ไหน? นัท รายได้“ การค้นพบยาเสพติด” 10, 712 (2011)
Begley, KG และ Ellis, LM เพิ่มมาตรฐานในการวิจัยมะเร็งพรีคลินิก ธรรมชาติ 483, 531–533 (2012)
A. Gelman และ E. Loken, สวนของเส้นทางการฟอร์ก: ทำไมการเปรียบเทียบหลายครั้งจึงเป็นปัญหาแม้จะไม่มี "การสำรวจการตกปลา" หรือ "P-hacks" และสมมติฐานการวิจัย preformed, ฉบับที่ 348, 1–17 (กรมสถิติ, 2013)
Karagiorgi, G. , Kasecka, G. , Kravitz, S. , Nachman, B. , และ Shi, D. การเรียนรู้ของเครื่องในการค้นหาฟิสิกส์พื้นฐานใหม่ นัท ดุษฎีบัณฑิตปรัชญาในฟิสิกส์ 4, 399–412 (2022)
Dara S, Damercherla S, Jadhav SS, Babu CM และ Ahsan MJ การเรียนรู้ของเครื่องจักรในการค้นพบยา: รีวิว Atif. Intel. เอ็ด 55, 1947–1999 (2022)
Mather, As and Coote, ML การเรียนรู้อย่างลึกซึ้งทางเคมี J.Chemistry แจ้ง. แบบอย่าง. 59, 2545–2559 (2019)
Rajkomar A. , Dean J. และ Kohan I. การเรียนรู้ของเครื่องจักรในการแพทย์ วารสารการแพทย์นิวอิงแลนด์ 380, 1347–1358 (2019)
Grimmer J, Roberts Me และ Stewart BM Machine Learning ในสังคมศาสตร์: วิธีการไม่เชื่อเรื่องพระเจ้า รายได้ Ann Ball วิทยาศาสตร์. 24, 395–419 (2021)
กระโดด, J. et al. ทำการทำนายโครงสร้างโปรตีนที่แม่นยำสูงโดยใช้ alphafold ธรรมชาติ 596, 583–589 (2021)
Gundersen, OE, Coakley, K. , Kirkpatrick, K. , และ Gil, Y. แหล่งที่มาของความไม่สามารถเกิดขึ้นได้ในการเรียนรู้ของเครื่อง: บทวิจารณ์ preprint มีให้ที่ https://arxiv.org/abs/2204.07610 (2022)
Scully, D. , Snook, J. , Wiltschko, A. และ Rahimi, A. คำสาปของผู้ชนะ? เกี่ยวกับความเร็วความก้าวหน้าและความเข้มงวดของหลักฐานเชิงประจักษ์ (ICLR, 2018)
Armstrong, TG, Moffat, A. , Webber, W. , และ Zobel, J. การปรับปรุงที่ไม่ใช่การเสริม: ผลการค้นหาเบื้องต้นตั้งแต่ปี 1998 การประชุม ACM 18 เรื่องการจัดการข้อมูลและความรู้ 601–610 (ACM 2009)
Kapoor, S. และ Narayanan, A. การรั่วไหลและวิกฤตการทำซ้ำในวิทยาศาสตร์ที่ใช้การเรียนรู้ด้วยเครื่อง รูปแบบ, 4, 100804 (2023)
Kapoor S. et al. การปฏิรูป: มาตรฐานการรายงานทางวิทยาศาสตร์ตามการเรียนรู้ของเครื่อง preprint มีให้ที่ https://arxiv.org/abs/2308.07832 (2023)
Demasi, O. , Cording, C. , และ Recht, B. การเปรียบเทียบที่ไม่มีความหมายสามารถนำไปสู่การมองโลกในแง่ดีในการเรียนรู้ของเครื่องแพทย์ PLOS ONE 12, E0184604 (2017)
Roberts, M. , et al. ข้อผิดพลาดทั่วไปและแนวทางปฏิบัติที่ดีที่สุดสำหรับการใช้การเรียนรู้ของเครื่องเพื่อตรวจจับและทำนาย COVID-19 จากรังสีเอกซ์และเอกซ์เรย์คอมพิวเตอร์ นัท สูงสุด Intel. 3, 199–217 (2021)
Winantz L. et al. แบบจำลองการทำนายสำหรับการวินิจฉัยและการพยากรณ์โรคของ COVID-19: การทบทวนอย่างเป็นระบบและการประเมินที่สำคัญ BMJ 369, M1328 (2020)
Whalen S. , Schreiber J. , Noble WS และ Pollard KS เอาชนะข้อผิดพลาดของการใช้การเรียนรู้ของเครื่องจักรในฟังก์ชั่น นัท บาทหลวง Ginette 23, 169–181 (2022)
Atris N. et al. แนวทางปฏิบัติที่ดีที่สุดสำหรับการเรียนรู้ของเครื่องทางเคมี นัท เคมี. 13, 505–508 (2021)
Brunton SL และ Kutz JN ทิศทางที่สัญญาไว้สำหรับการเรียนรู้ของเครื่องจักรของสมการเชิงอนุพันธ์บางส่วน นัท คำนวณ. ศาสตร์. 4, 483–494 (2024)
Vinuesa, R. และ Brunton, SL ปรับปรุงการเปลี่ยนแปลงของของเหลวในการคำนวณผ่านการเรียนรู้ของเครื่อง นัท คำนวณ. ศาสตร์. 2, 358–366 (2022)
Comeau, S. et al. การเรียนรู้ของเครื่องวิทยาศาสตร์ด้วยเครือข่ายประสาทที่ได้รับการบอกกล่าวทางร่างกาย: ตอนนี้เราอยู่ที่ไหนและมีอะไรต่อไป J. วิทยาศาสตร์ คำนวณ 92, 88 (2022)
Duraisamy, K. , Yaccarino, G. และ Xiao, H. การสร้างแบบจำลองความปั่นป่วนในยุคข้อมูล ฉบับปรับปรุงของแอน 51, 357–377 (2019)
Durran วิธีการเชิงตัวเลข DR สำหรับการแก้สมการคลื่นในอุทกพลศาสตร์ธรณีฟิสิกส์, ฉบับที่ 32 (Springer, 2013)
Mishra, S. กรอบการเรียนรู้ของเครื่องเพื่อเร่งการคำนวณข้อมูลที่ขับเคลื่อนด้วยสมการเชิงอนุพันธ์ คณิตศาสตร์. วิศวกร https://doi.org/10.3934/mine.2018.1.118 (2018)
Kochikov D. et al. การเรียนรู้ของเครื่อง - การเร่งความเร็วของพลวัตการคำนวณของเหลว กระบวนการ. National Academy of Sciences ศาสตร์. US 118, E2101784118 (2021)
Kadapa, K. การเรียนรู้ของเครื่องจักรสำหรับวิทยาศาสตร์คอมพิวเตอร์และวิศวกรรม - บทนำสั้น ๆ และประเด็นสำคัญบางประการ preprint มีให้ที่ https://arxiv.org/abs/2112.12054 (2021)
Ross, A. , Li, Z. , Perezhogin, P. , Fernandez-Granda, C. , และ Zanna, L. การวิเคราะห์เปรียบเทียบการเรียนรู้ของเครื่องจักรพารามิเตอร์ Subgrid Ocean Subgrid ในแบบจำลองอุดมคติ J.Adv. แบบอย่าง. ระบบโลก 15. E2022MS003258 (2023)
Lippe, P. , Wieling, B. , Perdikaris, P. , Turner, R. , และ Brandstetter, J. PDE Refinement: บรรลุการอัดขึ้นรูปยาวที่แม่นยำด้วยตัวแก้ปัญหา PDE การประชุมครั้งที่ 37 เกี่ยวกับระบบการประมวลผลข้อมูลประสาท (Neurips 2023)
Frachas, PR และคณะ อัลกอริทึม Backpropagation และการคำนวณอ่างเก็บน้ำในเครือข่ายประสาทที่เกิดขึ้นอีกสำหรับการทำนายพลวัต spatiotemporal ที่ซับซ้อน เครือข่ายประสาท 126, 191–217 (2020)
Raissi, M. , Perdikaris, P. และ Karniadakis, GE Physics, วิทยาศาสตร์คอมพิวเตอร์, เครือข่ายประสาท: กรอบการเรียนรู้อย่างลึกซึ้งสำหรับการแก้ปัญหาไปข้างหน้าและปัญหาผกผันที่เกี่ยวข้องกับสมการเชิงอนุพันธ์บางส่วนที่ไม่เชิงเส้น J. คอมพิวเตอร์ ฟิสิกส์. 378, 686–707 (2019)
Grossmann, TG, Komorowska, UJ, Lutz, J. และSchönlieb, K.-B. เครือข่ายประสาทที่ใช้ฟิสิกส์สามารถทำได้ดีกว่าวิธีไฟไนต์เอลิเมนต์หรือไม่? แอปพลิเคชัน IMA J. คณิตศาสตร์. 89, 143–174 (2024)
De La Mata, FF, Gijon, A. , Molina-Solana, M. , และGómez-Romero, เครือข่ายประสาทที่ใช้ฟิสิกส์ฟิสิกส์สำหรับการสร้างแบบจำลองข้อมูลที่ขับเคลื่อนด้วยข้อมูล: ข้อดีข้อ จำกัด และโอกาส ฟิสิกส์. A 610, 128415 (2023)
Zhuang, P.-Y. & Barba รายงานเชิงประจักษ์เกี่ยวกับเครือข่ายประสาทที่ใช้ฟิสิกส์ในการสร้างแบบจำลองของเหลว: ข้อผิดพลาดและความผิดหวัง preprint มีให้ที่ https://arxiv.org/abs/2205.14249 (2022)
Zhuang, P.-Y. และ Barba, ข้อ จำกัด การทำนาย LA ของเครือข่ายประสาทที่ได้รับการบอกกล่าวทางร่างกายเกี่ยวกับการก่อตัวของกระแสน้ำวน preprint มีให้ที่ https://arxiv.org/abs/2306.00230 (2023)
Wang, S. , Yu, H. , และ Perdikaris, P. เมื่อใดและทำไม Pinns ล้มเหลวในการฝึกอบรม: มุมมองของนิวเคลียสแทนเจนต์ J. คอมพิวเตอร์ ฟิสิกส์. 449, 110768 (2022)
Krishnapriyan, A. , Gholami, A. , Zhe, S. , Kirby, R. , และ Mahoney, MW ลักษณะของโหมดความล้มเหลวที่อาจเกิดขึ้นในเครือข่ายระบบประสาทข้อมูลทางกายภาพ การประชุมครั้งที่ 35 เกี่ยวกับระบบการประมวลผลข้อมูลประสาท 34, 26548–26560 (Neurips 2021)
Basir, S. และ Senokak, I. การศึกษาที่สำคัญของโหมดความล้มเหลวในเครือข่ายประสาทที่ใช้ฟิสิกส์ ใน AIAA Scitech 2022 Forum 2353 (Ark, 2022)
Karnakov P. , Litvinov S. และ Koumoutsakos P. การแก้ปัญหาผกผันทางกายภาพโดยการเพิ่มประสิทธิภาพการสูญเสียที่ไม่ต่อเนื่อง: การเรียนรู้ที่รวดเร็วและแม่นยำโดยไม่ต้องใช้เครือข่ายประสาท กระบวนการ. National Academy of Sciences วิทยาศาสตร์. Nexus 3, PGAE005 (2024)
Gundersen OE หลักการพื้นฐานของการทำซ้ำ Phil.Cross R. Shuker A 379, 20200210 (2021)
AROMATARIS E และ PEARSON A. บทวิจารณ์ที่เป็นระบบ: ภาพรวม ใช่. J. การพยาบาล 114, 53–58 (2014)
Magiera, J. , Ray, D. , Hesthaven, JS และ Rohde, K. เครือข่ายประสาทที่มีข้อ จำกัด สำหรับปัญหา Riemann J. คอมพิวเตอร์ ฟิสิกส์. 409, 109345 (2020)
Bezgin DA, Schmidt SJ และ Adams NA NA ที่ขับเคลื่อนด้วยข้อมูลทางร่างกายที่ได้รับการบอกกล่าวทางกายภาพ J. คอมพิวเตอร์ ฟิสิกส์. 437, 110324 (2021)
เวลาโพสต์: ก.ย. -29-2024