Salamat sa pagbisita sa Nature.com. Ang bersyon ng browser na iyong ginagamit ay may limitadong suporta sa CSS. Para sa pinakamahusay na mga resulta, inirerekumenda namin na gumamit ka ng isang mas bagong bersyon ng iyong browser (o huwag paganahin ang mode ng pagiging tugma sa Internet Explorer). Samantala, upang matiyak ang patuloy na suporta, ipinapakita namin ang site nang walang estilo o JavaScript.
Ang isa sa mga pinaka -promising na aplikasyon ng pag -aaral ng makina sa computational physics ay ang pinabilis na solusyon ng bahagyang pagkakaiba -iba ng mga equation (PDE). Ang pangunahing layunin ng isang machine na batay sa pag-aaral na bahagyang kaugalian equation solver ay upang makabuo ng mga solusyon na tumpak na sapat na mas mabilis kaysa sa karaniwang mga pamamaraan ng numero upang magsilbing isang paghahambing sa baseline. Nagsasagawa muna kami ng isang sistematikong pagsusuri ng panitikan sa pag -aaral ng makina sa paglutas ng mga bahagyang kaugalian na mga equation. Sa lahat ng mga papeles na nag -uulat ng paggamit ng ML upang malutas ang likido na bahagyang pagkakaiba -iba ng mga equation at pag -angkin ng higit na kahusayan sa mga karaniwang pamamaraan ng numero, nakilala namin ang 79% (60/76) kumpara sa mga mahina na batayan. Pangalawa, natagpuan namin ang katibayan ng malawak na pag -uulat ng bias, lalo na sa pag -uulat ng kinalabasan at bias ng publication. Napagpasyahan namin na ang pag -aaral ng pag -aaral ng makina sa paglutas ng mga bahagyang pagkakaiba -iba ng mga equation ay labis na maasahin sa mabuti: ang mahina na data ng pag -input ay maaaring humantong sa labis na positibong mga resulta, at ang pag -uulat ng bias ay maaaring humantong sa pag -underreport ng mga negatibong resulta. Sa malaking bahagi, ang mga problemang ito ay lilitaw na sanhi ng mga kadahilanan na katulad ng mga nakaraang krisis sa muling paggawa: ang pagpapasya ng investigator at positibong bias ng kinalabasan. Nanawagan kami para sa pagbabagong pangkultura upang mabawasan ang bias na pag-uulat at top-down na istruktura na reporma upang mabawasan ang mga baluktot na insentibo upang gawin ito.
Ang listahan ng mga may -akda at artikulo na nabuo ng sistematikong pagsusuri, pati na rin ang pag -uuri ng bawat artikulo sa random na sample, ay magagamit sa publiko sa https://doi.org/10.17605/OSF.io/gq5b3 (ref. 124).
Ang code na kinakailangan upang kopyahin ang mga resulta sa Talahanayan 2 ay matatagpuan sa GitHub: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (ref. 125) at sa Code Ocean: https://codeocean.com/capsule/9605539/ Puno/ v1 (link 126) at https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Randall, D., at Welser, K., Ang Irreproducibility Crisis sa Modern Science: Mga Sanhi, Mga Resulta, at Mga Landas para sa Reform (National Association of Scientists, 2018).
Ritchie, S. Science Fiction: Paano ang pandaraya, bias, katahimikan, at hype ay nagpapabagabag sa paghahanap ng katotohanan (vintage, 2020).
Buksan ang pakikipagtulungan ng pang -agham. Pagtatasa ng muling paggawa sa sikolohikal na agham. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., at Asadullah, K. Maniwala ka o hindi: Gaano karami ang maaari nating umasa sa nai -publish na data sa mga potensyal na target ng droga? Nat. Rev. "Ang Pagtuklas ng Gamot." 10, 712 (2011).
Ang Begley, KG at Ellis, LM Raising Standards sa Preclinical Cancer Research. Kalikasan 483, 531-533 (2012).
A. Gelman at E. Loken, Ang Hardin ng Mga Landas sa Pagtatakda: Bakit maraming mga paghahambing ay isang problema kahit na walang "mga ekspedisyon sa pangingisda" o "p-hack" at preformed research hypotheses, vol. 348, 1–17 (Kagawaran ng Estatistika, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., at Shi, D. Pag -aaral ng makina sa paghahanap ng mga bagong pangunahing pisika. Nat. Doktor ng Pilosopiya sa pisika. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM at Ahsan MJ. Pag -aaral ng makina sa pagtuklas ng droga: isang pagsusuri. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, As at Coote, ML Malalim na pag -aaral sa kimika. J.Chemistry. ipagbigay -alam. Modelo. 59, 2545–2559 (2019).
Rajkomar A., Dean J. at Kohan I. Pag -aaral ng makina sa gamot. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts Me. at Stewart BM Machine Learning sa Social Sciences: Isang Agnostic na Diskarte. Rev. Ann Ball. Agham. 24, 395–419 (2021).
Tumalon, J. et al. Gumawa ng lubos na tumpak na mga hula ng istraktura ng protina gamit ang alphafold. Kalikasan 596, 583-589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., at Gil, Y. Mga Pinagmumulan ng Irreproducibility sa Pag -aaral ng Machine: Isang Repasuhin. Magagamit ang preprint sa https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., at Rahimi, sumpa ni Winner? Sa bilis, pag -unlad at mahigpit na ebidensya ng empirikal (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., at Zobel, J. Non-Additive Enhancements: Paunang Mga Resulta sa Paghahanap mula noong 1998. 18th ACM Conference on Information and Knowledge Management 601-610 (ACM 2009).
Kapoor, S. at Narayanan, A. Mga krisis sa pagtagas at muling paggawa sa agham na batay sa pag-aaral ng makina. Mga pattern, 4, 100804 (2023).
Kapoor S. et al. Reform: Mga Pamantayan sa Pag -uulat ng Siyentipiko batay sa pag -aaral ng makina. Magagamit ang preprint sa https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C., at Recht, B. Walang kahulugan na paghahambing ay maaaring humantong sa maling pag -optimize sa pag -aaral ng medikal na makina. PLOS ONE 12, E0184604 (2017).
Roberts, M., et al. Karaniwang mga pitfalls at pinakamahusay na kasanayan para sa paggamit ng pag-aaral ng makina upang makita at mahulaan ang covid-19 mula sa x-ray ng dibdib at nakalkula na tomography. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Mga mahuhulaan na modelo para sa diagnosis at pagbabala ng Covid-19: isang sistematikong pagsusuri at kritikal na pagtasa. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS at Pollard KS na pagtagumpayan ang mga pitfalls ng paggamit ng pag -aaral ng makina sa genomics. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Pinakamahusay na kasanayan para sa pag -aaral ng makina sa kimika. Nat. Kemikal. 13, 505–508 (2021).
Ang Brunton SL at Kutz JN ay nangangako ng mga direksyon para sa pag -aaral ng makina ng bahagyang mga equation ng kaugalian. Nat. kalkulahin. Agham. 4, 483–494 (2024).
Vinuesa, R. at Brunton, SL pagpapabuti ng computational fluid dynamics sa pamamagitan ng pag -aaral ng makina. Nat. kalkulahin. Agham. 2, 358–366 (2022).
Comeau, S. et al. Ang pag -aaral ng pang -agham na pang -agham na may pisikal na kaalaman sa mga neural network: nasaan tayo ngayon at kung ano ang susunod. J. Science. kalkulahin. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., at Xiao, H. kaguluhan ng pagmomolde sa panahon ng data. Binagong edisyon ni Ann. 51, 357–377 (2019).
Durran, DR Numerical na pamamaraan para sa paglutas ng mga equation ng alon sa geophysical hydrodynamics, vol. 32 (Springer, 2013).
Mishra, S. Isang balangkas ng pag-aaral ng makina para sa pagpabilis ng pagkalkula ng data na hinihimok ng mga equation ng kaugalian. Matematika. Engineer. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et al. Pag -aaral ng Machine - Pag -acceleration ng Computational Fluid Dynamics. proseso National Academy of Sciences. Agham. US 118, E2101784118 (2021).
Kadapa, K. Machine Learning para sa Computer Science and Engineering - Isang Maikling Panimula at ilang mga pangunahing isyu. Magagamit ang preprint sa https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., at Zanna, L. Paghahambing na pagsusuri ng pag-aaral ng pag-aaral ng karagatan ng pag-aaral ng karagatan sa mga ideyal na modelo. J.ADV. Modelo. Sistema ng Earth. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., at Brandstetter, J. PDE Refinement: pagkamit ng tumpak na mahabang extrusions na may neural PDE solver. Ika -37 Kumperensya sa Neural Information Processing Systems (Neurips 2023).
Frachas, Pr et al. Ang backpropagation algorithm at pagkalkula ng reservoir sa paulit -ulit na mga neural network para sa paghula ng kumplikadong spatiotemporal dinamika. Neural Network. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. at Karniadakis, GE Physics, Computer Science, Neural Networks: Isang malalim na balangkas ng pag -aaral para sa paglutas ng pasulong at kabaligtaran na mga problema na kinasasangkutan ng mga nonlinear na bahagyang pagkakaiba -iba ng mga equation. J. Computer. pisika. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., at Schönlieb, K.-B. Maaari bang ang mga network na nakabatay sa pisika na nakabase sa pisika ay nagpapalabas ng mga pamamaraan ng elemento ng elemento? IMA J. Application. Matematika. 89, 143–174 (2024).
De la Mata, FF, Gijon, A., Molina-Solana, M., at Gómez-Romero, J. na nakabase sa Neural Networks na nakabase sa Physics para sa pagmomolde ng data na hinihimok ng data: mga pakinabang, mga limitasyon, at mga pagkakataon. pisika. Isang 610, 128415 (2023).
Zhuang, P.-Y. & Barba, La Isang ulat ng empirikal sa mga network na nakabatay sa pisika sa pagmomolde ng likido: mga pitfalls at pagkabigo. Magagamit ang preprint sa https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. at Barba, LA mahuhulaan na mga limitasyon ng pisikal na kaalaman sa mga neural network sa pagbuo ng vortex. Magagamit ang preprint sa https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., at Perdikaris, P. Kailan at kung bakit nabigo ang mga pinn na sanayin: isang neural tangent nucleus na pananaw. J. Computer. pisika. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., at Mahoney, mga katangian ng MW ng mga posibleng mga mode ng pagkabigo sa pisikal na impormasyon sa mga network ng neural. Ika -35 Kumperensya sa Neural Impormasyon sa Pagproseso ng Impormasyon Vol. 34, 26548–26560 (Neurips 2021).
Basir, S. at Senokak, I. Isang kritikal na pag-aaral ng mga mode ng pagkabigo sa mga network na nakabatay sa pisika. Sa AIAA Scitech 2022 Forum 2353 (Ark, 2022).
Karnakov P., Litvinov S. at Koumoutsakos P. Paglutas ng mga pisikal na kabaligtaran na mga problema sa pamamagitan ng pag -optimize ng mga pagkalugi sa discrete: Mabilis at tumpak na pag -aaral nang walang mga neural network. proseso National Academy of Sciences. Agham. Nexus 3, PGAE005 (2024).
Gundersen oe pangunahing mga prinsipyo ng muling paggawa. Phil.Cross. R. Shuker. Isang 379, 20200210 (2021).
Aromataris E at Pearson A. Mga sistematikong pagsusuri: isang pangkalahatang -ideya. Oo. J. Nursing 114, 53-58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, at Rohde, K. Pag-aalaga ng Neural Networks para sa Riemann Problema. J. Computer. pisika. 409, 109345 (2020).
Ang Bezgin DA, Schmidt SJ at Adams NA na hinihimok ng data na hinihimok ng data na may hangganan na circuit para sa mga di-klasikal na nabawasan na mga shocks ng boltahe. J. Computer. pisika. 437, 110324 (2021).
Oras ng Mag-post: Sep-29-2024