Dankie dat u Nature.com besoek het. Die weergawe van die blaaier wat u gebruik, het beperkte CSS-ondersteuning. Vir die beste resultate beveel ons aan dat u 'n nuwer weergawe van u blaaier gebruik (of Verenigbaarheidsmodus in Internet Explorer deaktiveer). Intussen, om voortgesette ondersteuning te verseker, wys ons die webwerf sonder stilering of JavaScript.
Een van die mees belowende toepassings van masjienleer in berekeningsfisika is die versnelde oplossing van parsiële differensiaalvergelykings (PDV's). Die hoofdoel van 'n masjienleer-gebaseerde parsiële differensiaalvergelykingoplosser is om oplossings te produseer wat akkuraat genoeg is, vinniger as standaard numeriese metodes, om as 'n basislynvergelyking te dien. Ons doen eers 'n sistematiese oorsig van die masjienleerliteratuur oor die oplos van parsiële differensiaalvergelykings. Van al die artikels wat die gebruik van masjienleer rapporteer om vloeibare parsiële differensiaalvergelykings op te los en beweer dat dit meerderwaardig is as standaard numeriese metodes, het ons 79% (60/76) geïdentifiseer in vergelyking met swak basislyne. Tweedens het ons bewyse gevind van wydverspreide verslagdoeningsvooroordeel, veral in uitkomsrapportering en publikasievooroordeel. Ons kom tot die gevolgtrekking dat masjienleernavorsing oor die oplos van parsiële differensiaalvergelykings ooroptimisties is: swak invoerdata kan lei tot oordrewe positiewe resultate, en verslagdoeningsvooroordeel kan lei tot onderrapportering van negatiewe resultate. Hierdie probleme blyk grootliks veroorsaak te word deur faktore soortgelyk aan vorige reproduceerbaarheidskrisisse: ondersoekerdiskresie en positiewe uitkomsvooroordeel. Ons doen 'n beroep op kulturele verandering van onder na bo om bevooroordeelde verslagdoening te minimaliseer en strukturele hervorming van bo na onder om perverse aansporings om dit te doen, te verminder.
Die lys van outeurs en artikels wat deur die sistematiese oorsig gegenereer is, sowel as die klassifikasie van elke artikel in die ewekansige steekproef, is publiek beskikbaar by https://doi.org/10.17605/OSF.IO/GQ5B3 (verw. 124).
Die kode wat nodig is om die resultate in Tabel 2 te reproduseer, kan gevind word op GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (verw. 125) en op Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (skakel 126) en https://codeocean.com/capsule/0799002/tree/v1 (skakel 127).
Randall, D., en Welser, K., Die Onherhaalbaarheidskrisis in Moderne Wetenskap: Oorsake, Gevolge en Weë vir Hervorming (Nasionale Vereniging van Wetenskaplikes, 2018).
Ritchie, S. Wetenskapfiksie: Hoe bedrog, vooroordeel, stilte en hype die soeke na waarheid ondermyn (Vintage, 2020).
Oop wetenskaplike samewerking. Beoordeling van reproduceerbaarheid in sielkundige wetenskap. Wetenskap 349, AAAC4716 (2015).
Prinz, F., Schlange, T., en Asadullah, K. Glo dit of nie: Hoeveel kan ons staatmaak op gepubliseerde data oor potensiële geneesmiddelteikens? Nat. Rev. “Die Ontdekking van Geneesmiddels.” 10, 712 (2011).
Begley, KG en Ellis, LM Verhoging van standaarde in prekliniese kankernavorsing. Nature 483, 531–533 (2012).
A. Gelman en E. Loken, Die Tuin van Vervurkingspaaie: Waarom Veelvuldige Vergelykings 'n Probleem is Selfs Sonder "Visvangekspedisies" of "p-hacks" en Voorafgevormde Navorsingshipoteses, vol. 348, 1–17 (Departement Statistiek, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., en Shi, D. Masjienleer op soek na nuwe fundamentele fisika. Nat. Doktor in Filosofie in Fisika. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM en Ahsan MJ. Masjienleer in geneesmiddelontdekking: 'n oorsig. Atif. Intel. Red. 55, 1947–1999 (2022).
Mather, AS en Coote, ML Diep leer in chemie. J.Chemistry. kennisgewing. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. en Kohan I. Masjienleer in medisyne. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. en Stewart BM Masjienleer in sosiale wetenskappe: 'n agnostiese benadering. Eerw. Ann Ball. wetenskap. 24, 395–419 (2021).
Jump, J. et al. Maak hoogs akkurate proteïenstruktuurvoorspellings met behulp van alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., en Gil, Y. Bronne van onreproduseerbaarheid in masjienleer: 'n Oorsig. Voorafdruk beskikbaar by https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., en Rahimi, A. Winner se vloek? Oor die spoed, vordering en noukeurigheid van empiriese bewyse (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., en Zobel, J. Nie-additiewe verbeterings: voorlopige soekresultate sedert 1998. 18de ACM-konferensie oor Inligting- en Kennisbestuur 601–610 (ACM 2009).
Kapoor, S. en Narayanan, A. Lekkasie- en reproduceerbaarheidskrisisse in masjienleer-gebaseerde wetenskap. Patterns, 4, 100804 (2023).
Kapoor S. et al. Hervorming: wetenskaplike verslagdoeningstandaarde gebaseer op masjienleer. Voorafdruk beskikbaar by https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., en Recht, B. Betekenislose vergelykings kan lei tot valse optimisme in mediese masjienleer. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Algemene slaggate en beste praktyke vir die gebruik van masjienleer om COVID-19 op te spoor en te voorspel vanaf borskas-x-strale en rekenaartomografie. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Voorspellende modelle vir die diagnose en prognose van COVID-19: 'n sistematiese oorsig en kritiese beoordeling. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS en Pollard KS Oorkoming van die slaggate van die gebruik van masjienleer in genomika. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Beste praktyke vir masjienleer in chemie. Nat. Chemical. 13, 505–508 (2021).
Brunton SL en Kutz JN Belowende rigtings vir masjienleer van parsiële differensiaalvergelykings. Nat. bereken. wetenskap. 4, 483–494 (2024).
Vinuesa, R. en Brunton, SL Verbetering van berekeningsvloeidinamika deur masjienleer. Nat. bereken. wetenskap. 2, 358–366 (2022).
Comeau, S. et al. Wetenskaplike masjienleer met fisies ingeligte neurale netwerke: Waar ons nou is en wat volgende is. J. Science. bereken. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., en Xiao, H. Turbulensiemodellering in die data-era. Hersiene uitgawe van Ann. 51, 357–377 (2019).
Durran, DR Numeriese metodes vir die oplos van golfvergelykings in geofisiese hidrodinamika, vol. 32 (Springer, 2013).
Mishra, S. 'n Masjienleerraamwerk vir die versnelling van datagedrewe berekening van differensiaalvergelykings. wiskunde. ingenieur. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Masjienleer – versnelling van berekeningsvloeidinamika. proses. Nasionale Akademie van Wetenskappe. wetenskap. US 118, e2101784118 (2021).
Kadapa, K. Masjienleer vir rekenaarwetenskap en ingenieurswese – 'n kort inleiding en 'n paar sleutelkwessies. Voorafdruk beskikbaar by https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., en Zanna, L. Vergelykende analise van masjienleer-oseaan-subrasterparameterisering in geïdealiseerde modelle. J.Adv. Model. aardstelsel. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., en Brandstetter, J. PDE-verfyning: die bereiking van akkurate lang ekstrusies met 'n neurale PDE-oplosser. 37ste Konferensie oor Neurale Inligtingverwerkingstelsels (NeurIPS 2023).
Frachas, PR et al. Terugpropagasie-algoritme en reservoirberekening in herhalende neurale netwerke vir die voorspelling van komplekse ruimtelike tydelike dinamika. neurale netwerk. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. en Karniadakis, GE Fisika, rekenaarwetenskap, neurale netwerke: 'n diep leerraamwerk vir die oplos van voorwaartse en inverse probleme wat nie-lineêre parsiële differensiaalvergelykings behels. J. Rekenaar. fisika. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., en Schönlieb, K.-B. Kan fisika-gebaseerde neurale netwerke beter presteer as eindige elementmetodes? IMA J. Toepassings. wiskunde. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., en Gómez-Romero, J. Fisika-gebaseerde neurale netwerke vir datagedrewe modellering: voordele, beperkings en geleenthede. fisika. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA 'n Empiriese verslag oor fisika-gebaseerde neurale netwerke in vloeistofmodellering: slaggate en teleurstellings. Voorafdruk beskikbaar by https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. en Barba, LA Voorspellende beperkings van fisies ingeligte neurale netwerke op vortexvorming. Voorafdruk beskikbaar by https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., en Perdikaris, P. Wanneer en waarom pinne nie oefen nie: 'n Neurale raaklynkernperspektief. J. Rekenaarfisika. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., en Mahoney, MW Eienskappe van moontlike mislukkingsmodusse in fisiese inligtingsneurale netwerke. 35ste Konferensie oor Neurale Inligtingverwerkingstelsels Vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. en Senokak, I. 'n Kritiese studie van mislukkingsmodusse in fisika-gebaseerde neurale netwerke. In AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. en Koumoutsakos P. Oplossing van fisiese inverse probleme deur diskrete verliese te optimaliseer: vinnige en akkurate leer sonder neurale netwerke. proses. Nasionale Akademie van Wetenskappe. wetenskap. Nexus 3, pgae005 (2024).
Gundersen OE Basiese beginsels van reproduceerbaarheid. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E en Pearson A. Sistematiese oorsigte: 'n oorsig. Ja. J. Verpleging 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, en Rohde, K. Beperkingsbewuste neurale netwerke vir die Riemann-probleem. J. Rekenaarfisika. 409, 109345 (2020).
Bezgin DA, Schmidt SJ en Adams NA Data-gedrewe fisies ingeligte eindige volumekring vir nie-klassieke verlaagde spanningskokke. J. Rekenaarfisika. 437, 110324 (2021).
Plasingstyd: 29 September 2024