Cảm ơn bạn đã ghé thăm Nature.com. Phiên bản của trình duyệt bạn đang sử dụng có hỗ trợ CSS giới hạn. Để có kết quả tốt nhất, chúng tôi khuyên bạn nên sử dụng phiên bản mới hơn của trình duyệt (hoặc Chế độ tương thích vô hiệu hóa trong Internet Explorer). Trong thời gian chờ đợi, để đảm bảo hỗ trợ liên tục, chúng tôi sẽ hiển thị trang web mà không có kiểu dáng hoặc javascript.
Một trong những ứng dụng hứa hẹn nhất của học máy trong vật lý tính toán là giải pháp tăng tốc của phương trình vi phân một phần (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. Trước tiên chúng tôi tiến hành đánh giá có hệ thống về tài liệu học máy về giải quyết các phương trình vi phân một phần. Of all the papers reporting the use of ML to solve fluid partial differential equations and claiming superiority over standard numerical methods, we identified 79% (60/76) compared to weak baselines. Thứ hai, chúng tôi đã tìm thấy bằng chứng về sự thiên vị báo cáo rộng rãi, đặc biệt là trong báo cáo kết quả và thiên vị xuất bản. 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. Phần lớn, những vấn đề này dường như được gây ra bởi các yếu tố tương tự như các cuộc khủng hoảng khả năng tái tạo trong quá khứ: quyết định điều tra và sai lệch kết quả tích cực. Chúng tôi kêu gọi thay đổi văn hóa từ dưới lên để giảm thiểu báo cáo thiên vị và cải cách cơ cấu từ trên xuống để giảm các ưu đãi đồi trụy để làm như vậy.
Danh sách các tác giả và bài báo được tạo bởi đánh giá có hệ thống, cũng như phân loại từng bài viết trong mẫu ngẫu nhiên, được công khai tại https://doi.org/10.17605/osf.io/gq5b3 (Tham khảo 124).
Mã cần thiết để tái tạo các kết quả trong Bảng 2 có thể được tìm thấy trên GitHub: https://github.com/nickmcgreivy/weakbaselinesmlpde/ (Tham khảo 125) và trên Code Ocean: https://codeocan.com/capsule/9605539/ Cây/ v1 (liên kết 126) và https://codeocean.com/capsule/0799002/tree/v1 (liên kết 127).
Randall, D., và Welser, K., Cuộc khủng hoảng không thể phân biệt được trong khoa học hiện đại: Nguyên nhân, Hậu quả và con đường cải cách (Hiệp hội các nhà khoa học quốc gia, 2018).
Ritchie, S. Khoa học viễn tưởng: Làm thế nào gian lận, thiên vị, im lặng và cường điệu làm suy yếu việc tìm kiếm sự thật (Vintage, 2020).
Hợp tác khoa học mở. Đánh giá khả năng sinh sản trong khoa học tâm lý. Khoa học 349, AAAC4716 (2015).
Prinz, F., Schlange, T. và Asadullah, K. Tin hay không: Chúng ta có thể dựa vào dữ liệu được công bố bao nhiêu về các mục tiêu thuốc tiềm năng? Nat. Mục sư Khám phá các loại thuốc. 10, 712 (2011).
Begley, KG và Ellis, LM Tăng tiêu chuẩn trong nghiên cứu ung thư tiền lâm sàng. Thiên nhiên 483, 531 bóng533 (2012).
A. Gelman và E. Loken, Khu vườn của những con đường forking: Tại sao nhiều so sánh là một vấn đề ngay cả khi không có các cuộc thám hiểm câu cá của người Hồi giáo hoặc hay P-hacks và các giả thuyết nghiên cứu được tạo thành sẵn, Vol. 348, 1 trận17 (Bộ Thống kê, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., và Shi, D. Học máy tìm kiếm vật lý cơ bản mới. Nat. Bác sĩ triết học về vật lý. 4, 399 bóng412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM và Ahsan MJ. Học máy trong khám phá thuốc: Một đánh giá. Atif. Intel. Ed. 55, 1947 Từ1999 (2022).
Mather, như và Coote, ML Học sâu về Hóa học. J.Chemistry. thông báo. Người mẫu. 59, 2545 Từ2559 (2019).
Rajkomar A., Dean J. và Kohan I. Học máy trong y học. Tạp chí Y học New England. 380, 1347 Từ1358 (2019).
Grimmer J, Roberts tôi. và Stewart BM Machine Learning trong Khoa học xã hội: Một cách tiếp cận bất khả tri. Mục sư Ann Ball. khoa học. 24, 395 bóng419 (2021).
Nhảy, J. et al. Làm cho dự đoán cấu trúc protein chính xác cao bằng cách sử dụng alphafold. Thiên nhiên 596, 583 bóng589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., và Gil, Y. Nguồn của sự không thể điều chỉnh trong học máy: Một đánh giá. Bản in có sẵn tại https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. và Rahimi, A. Người chiến thắng lời nguyền? Về tốc độ, sự tiến bộ và sự nghiêm ngặt của bằng chứng thực nghiệm (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. và Zobel, J. Các cải tiến không phụ trách: Kết quả tìm kiếm sơ bộ từ năm 1998. Hội nghị ACM thứ 18 về quản lý thông tin và kiến thức 601 Phản610 (ACM 2009).
Kapoor, S. và Narayanan, A. Rò rỉ và khủng hoảng khả năng sinh sản trong khoa học dựa trên học máy. Các mẫu, 4, 100804 (2023).
Kapoor S. et al. Cải cách: Tiêu chuẩn báo cáo khoa học dựa trên học máy. Bản in có sẵn tại https://arxiv.org/abs/2308.07832 (2023).
Demasi, O., Cording, C. và Recht, B. So sánh vô nghĩa có thể dẫn đến sự lạc quan sai lầm trong học máy y tế. PLOS ONE 12, E0184604 (2017).
Roberts, M., et al. Những cạm bẫy phổ biến và thực tiễn tốt nhất để sử dụng học máy để phát hiện và dự đoán Covid-19 từ tia X ngực và chụp cắt lớp vi tính. Nat. Tối đa. Intel. 3, 199 bóng217 (2021).
Winantz L. et al. Các mô hình dự đoán để chẩn đoán và tiên lượng của Covid-19: Đánh giá có hệ thống và đánh giá quan trọng. BMJ 369, M1328 (2020).
Whalen S., Schreiber J., Noble WS và Pollard KS vượt qua những cạm bẫy của việc sử dụng học máy trong bộ gen. Nat. Mục sư Ginette. 23, 169 Từ181 (2022).
Atris N. et al. Thực tiễn tốt nhất cho học máy trong hóa học. Nat. Hóa chất. 13, 505 bóng508 (2021).
Brunton SL và Kutz JN hứa hẹn các hướng học tập cho máy học về các phương trình vi phân một phần. Nat. tính toán. khoa học. 4, 483 bóng494 (2024).
Vinuesa, R. và Brunton, SL cải thiện động lực học tính toán thông qua học máy. Nat. tính toán. khoa học. 2, 358 bóng366 (2022).
Comeau, S. et al. Học máy khoa học với mạng lưới thần kinh thông tin về thể chất: Chúng ta đang ở đâu và tiếp theo. J. Khoa học. tính toán. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. và Xiao, H. Mô hình nhiễu loạn trong kỷ nguyên dữ liệu. Phiên bản sửa đổi của Ann. 51, 357 Từ377 (2019).
Durran, Phương pháp số DR để giải các phương trình sóng trong thủy động lực học địa vật lý, tập. 32 (Springer, 2013).
Mishra, S. Một khung học máy để tăng tốc tính toán dựa trên dữ liệu của các phương trình vi phân. Toán học. kỹ sư. https://doi.org/10.3934/mine.2018.1.118 (2018).
Kochikov D. et al. Học máy - Tăng tốc của động lực học chất lỏng tính toán. quá trình. Viện Hàn lâm Khoa học Quốc gia. khoa học. Hoa Kỳ 118, E2101784118 (2021).
Kadapa, K. Học máy cho Khoa học và Kỹ thuật Máy tính - Giới thiệu ngắn gọn và một số vấn đề chính. Bản in có sẵn tại https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., và Zanna, L. Phân tích so sánh các tham số phân nhóm đại dương học máy trong các mô hình lý tưởng hóa. J.ADV. Người mẫu. hệ thống trái đất. 15. E2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. và BrandStetter, J. PDE Refinement: đạt được sự đọng dài chính xác với một bộ giải PDE thần kinh. Hội nghị lần thứ 37 về hệ thống xử lý thông tin thần kinh (Neurips 2023).
FRACHAS, PR et al. Thuật toán backpropagation và tính toán hồ chứa trong mạng lưới thần kinh tái phát để dự đoán động lực học không gian phức tạp. Mạng lưới thần kinh. 126, 191 bóng217 (2020).
Raissi, M., Perdikaris, P. và Karniadakis, GE Vật lý, Khoa học máy tính, Mạng lưới thần kinh: Khung học tập sâu để giải quyết các vấn đề về phía trước và nghịch đảo liên quan đến phương trình vi phân một phần phi tuyến. J. Máy tính. Vật lý. 378, 686 Từ707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. và Schönlieb, K.-B. Mạng thần kinh dựa trên vật lý có thể vượt trội hơn các phương pháp phần tử hữu hạn không? IMA J. Ứng dụng. Toán học. 89, 143 bóng174 (2024).
De La Mata, FF, Gijon, A., Molina-Solana, M. và Gómez-Romero, J. Mạng thần kinh dựa trên vật lý để mô hình hóa dựa trên dữ liệu: Ưu điểm, hạn chế và cơ hội. Vật lý. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Một báo cáo thực nghiệm về các mạng lưới thần kinh dựa trên vật lý trong mô hình hóa chất lỏng: cạm bẫy và thất vọng. Tiền in có sẵn tại https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. và Barba, LA Những hạn chế dự đoán của các mạng lưới thần kinh được thông tin về thể chất về sự hình thành xoáy. Tiền in có sẵn tại https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. và Perdikaris, P. Khi nào và tại sao PINNS không đào tạo: Một quan điểm hạt nhân tiếp tuyến thần kinh. J. Máy tính. Vật lý. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., và Mahoney, MW Đặc điểm của các chế độ thất bại có thể có trong các mạng thần kinh thông tin vật lý. Hội nghị lần thứ 35 về Hệ thống xử lý thông tin thần kinh Vol. 34, 26548 Từ26560 (Neurips 2021).
Basir, S. và Senokak, I. Một nghiên cứu quan trọng về các chế độ thất bại trong các mạng thần kinh dựa trên vật lý. Trong AIAA SCITECH 2022 Diễn đàn 2353 (ARK, 2022).
Karnakov P., Litvinov S. và Koumoutsakos P. Giải quyết các vấn đề nghịch đảo về thể chất bằng cách tối ưu hóa các tổn thất riêng biệt: Học nhanh và chính xác mà không cần mạng lưới thần kinh. quá trình. Viện Hàn lâm Khoa học Quốc gia. Khoa học. Nexus 3, PGAE005 (2024).
Gundersen OE Nguyên tắc cơ bản về khả năng tái tạo. Phil.Cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E và Pearson A. Đánh giá hệ thống: Tổng quan. Có. J. Điều dưỡng 114, 53 bóng58 (2014).
Magiera, J., Ray, D., Hesthaven, JS và Rohde, K. Mạng lưới thần kinh nhận biết ràng buộc cho vấn đề Riemann. J. Máy tính. Vật lý. 409, 109345 (2020).
Bezgin DA, Schmidt SJ và Adams NA do dữ liệu dựa trên dữ liệu thông tin vật lý cho các cú sốc điện áp giảm phi cổ điển. J. Máy tính. Vật lý. 437, 110324 (2021).
Thời gian đăng: Tháng 9-29-2024