شكرًا لزيارتك Nature.com. إصدار المتصفح الذي تستخدمه يدعم CSS بشكل محدود. للحصول على أفضل النتائج، نوصي باستخدام إصدار أحدث من متصفحك (أو تعطيل وضع التوافق في Internet Explorer). في هذه الأثناء، ولضمان استمرار الدعم، نعرض الموقع بدون تنسيق أو جافا سكريبت.
يُعدّ الحل المُسرّع للمعادلات التفاضلية الجزئية (PDEs) أحد أكثر التطبيقات الواعدة للتعلم الآلي في الفيزياء الحاسوبية. ويتمثل الهدف الرئيسي من مُحلّ المعادلات التفاضلية الجزئية القائم على التعلم الآلي في إنتاج حلول دقيقة بما يكفي، وبسرعة أكبر من الطرق العددية القياسية، لتكون بمثابة مقارنة أساسية. نُجري أولًا مراجعة منهجية لأدبيات التعلم الآلي حول حل المعادلات التفاضلية الجزئية. من بين جميع الأوراق البحثية التي تُشير إلى استخدام التعلم الآلي لحل المعادلات التفاضلية الجزئية الموائعية، والتي تدّعي التفوق على الطرق العددية القياسية، حددنا 79% (60/76) مقارنةً بخطوط الأساس الضعيفة. ثانيًا، وجدنا أدلة على وجود تحيز واسع النطاق في التقارير، لا سيما في تقارير النتائج وتحيز النشر. نستنتج أن أبحاث التعلم الآلي حول حل المعادلات التفاضلية الجزئية مُفرطة في التفاؤل: فبيانات الإدخال الضعيفة قد تؤدي إلى نتائج إيجابية للغاية، كما أن تحيز التقارير قد يؤدي إلى نقص في الإبلاغ عن النتائج السلبية. ويبدو أن هذه المشكلات ناجمة، إلى حد كبير، عن عوامل مُشابهة لأزمات إعادة الإنتاج السابقة: تقدير الباحث وتحيز النتائج الإيجابية. نحن ندعو إلى إحداث تغيير ثقافي من القاعدة إلى القمة لتقليل التقارير المتحيزة، والإصلاح الهيكلي من القمة إلى القاعدة لتقليل الحوافز المنحرفة للقيام بذلك.
قائمة المؤلفين والمقالات التي تم إنشاؤها بواسطة المراجعة المنهجية، بالإضافة إلى تصنيف كل مقال في العينة العشوائية، متاحة للجمهور على https://doi.org/10.17605/OSF.IO/GQ5B3 (المرجع 124).
يمكن العثور على الكود المطلوب لإعادة إنتاج النتائج في الجدول 2 على GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (المرجع 125) وعلى Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (الرابط 126) و https://codeocean.com/capsule/0799002/tree/v1 (الرابط 127).
راندال، د.، وويلسر، ك.، أزمة عدم القدرة على إعادة الإنتاج في العلوم الحديثة: الأسباب والعواقب والمسارات للإصلاح (الرابطة الوطنية للعلماء، 2018).
ريتشي، س. الخيال العلمي: كيف يعمل الاحتيال والتحيز والصمت والدعاية على تقويض البحث عن الحقيقة (فينتاج، 2020).
التعاون العلمي المفتوح. تقييم إمكانية إعادة الإنتاج في العلوم النفسية. مجلة العلوم ٣٤٩، AAAC٤٧١٦ (٢٠١٥).
برينز، ف.، وشلانج، ت.، وأسد الله، ك. صدق أو لا تصدق: إلى أي مدى يمكننا الاعتماد على البيانات المنشورة حول الأهداف الدوائية المحتملة؟ المجلة الوطنية للبحوث "اكتشاف الأدوية". ١٠، ٧١٢ (٢٠١١).
بيغلي، كيه جي، وإيليس، إل إم. رفع المعايير في أبحاث السرطان ما قبل السريرية. مجلة نيتشر، 483، 531-533 (2012).
أ. جلمان وإي. لوكن، حديقة المسارات المتشعبة: لماذا تُشكّل المقارنات المتعددة مشكلةً حتى بدون "رحلات صيد" أو "اختراقات p" وفرضيات بحثية مُعدّة مسبقًا، المجلد 348، 1-17 (وزارة الإحصاء، 2013).
كاراجيورجي، ج.، كاسيكا، ج.، كرافيتز، س.، ناخمان، ب.، وشي، د.، التعلم الآلي في البحث عن فيزياء أساسية جديدة. دكتوراه وطنية في الفيزياء. 4، 399-412 (2022).
دارا س، داميرشيرلا س، جادهاف س، بابو س.م، وأحسن م.ج. التعلم الآلي في اكتشاف الأدوية: مراجعة. عاطف. إنتل. الطبعة 55، 1947-1999 (2022).
ماثر، أ.س. وكوت، م.ل. التعلم العميق في الكيمياء. مجلة الكيمياء. نموذج. 59، 2545-2559 (2019).
راجكومار أ.، دين ج.، وكوهان إ. التعلم الآلي في الطب. مجلة نيو إنجلاند الطبية. 380، 1347-1358 (2019).
جريمر جيه، روبرتس إم إي، وستيوارت بي إم. التعلم الآلي في العلوم الاجتماعية: نهج لا أدري. القس آن بول. العلوم. 24، 395-419 (2021).
جامب، ج. وآخرون. تنبؤات دقيقة للغاية ببنية البروتين باستخدام ألفا فولد. مجلة نيتشر، 596، 583-589 (2021).
جوندرسن، أو إي، كوكلي، ك.، كيركباتريك، ك.، وجيل، ي. مصادر عدم قابلية إعادة الإنتاج في التعلم الآلي: مراجعة. طبعة أولية متاحة على الرابط https://arxiv.org/abs/2204.07610 (2022).
سكالي، د.، سنوك، ج.، ويلتشكو، أ.، ورحيمي، أ. لعنة الفائز؟ حول سرعة وتقدم ودقة الأدلة التجريبية (ICLR، ٢٠١٨).
أرمسترونج، تي جي، وموفات، أيه، وويبر، دبليو، وزوبل، جيه. التعزيزات غير الإضافية: نتائج البحث الأولية منذ عام 1998. المؤتمر الثامن عشر لجمعية مكائن الحوسبة حول إدارة المعلومات والمعرفة 601-610 (جمعية مكائن الحوسبة 2009).
كابور، س. ونارايانان، أ. أزمات التسرب وقابلية التكرار في العلوم القائمة على التعلم الآلي. أنماط، 4، 100804 (2023).
كابور س. وآخرون. الإصلاح: معايير إعداد التقارير العلمية القائمة على التعلم الآلي. طبعة أولية متاحة على الرابط https://arxiv.org/abs/2308.07832 (2023).
ديماسي، أو.، وكوردينج، سي.، وريشت، بي. المقارنات غير المجدية قد تؤدي إلى تفاؤل زائف في مجال التعلم الآلي الطبي. PloS ONE 12، e0184604 (2017).
روبرتس، م. وآخرون. الأخطاء الشائعة وأفضل الممارسات لاستخدام التعلم الآلي للكشف عن كوفيد-19 والتنبؤ به من خلال الأشعة السينية للصدر والتصوير المقطعي المحوسب. نات. ماكس. إنتل. 3، 199-217 (2021).
وينانتز وآخرون. نماذج تنبؤية لتشخيص وتوقع كوفيد-19: مراجعة منهجية وتقييم نقدي. المجلة الطبية البريطانية 369، المجلد 1328 (2020).
ويلن س.، شرايبر ج.، نوبل و.س.، وبولارد ك.س. التغلب على معضلات استخدام التعلم الآلي في علم الجينوم. نات. باستور جينيت. 23، 169-181 (2022).
أتريس ن. وآخرون. أفضل ممارسات التعلم الآلي في الكيمياء. المجلة الكيميائية الوطنية. 13، 505-508 (2021).
برونتون إس إل وكوتز جيه إن: اتجاهات واعدة للتعلم الآلي للمعادلات التفاضلية الجزئية. نات. كالت. ساينس. 4، 483-494 (2024).
فينويسا، ر. وبروينتون، س. ل. تحسين ديناميكيات الموائع الحسابية من خلال التعلم الآلي. نات. كالت. ساينس. 2، 358-366 (2022).
كومو، س. وآخرون. التعلم الآلي العلمي باستخدام الشبكات العصبية المُعلَّمة ماديًا: أين نحن الآن وماذا بعد؟ مجلة العلوم. حساب. 92، 88 (2022).
ديوريسامي، ك.، ياكارينو، ج.، وشياو، هـ. نمذجة الاضطرابات في عصر البيانات. الطبعة المنقحة من المجلة الأمريكية للفيزياء الفلكية، المجلد 51، الصفحات 357-377 (2019).
دوران، د. ر. الطرق العددية لحل معادلات الموجة في الهيدروديناميكية الجيوفيزيائية، المجلد 32 (سبرينجر، 2013).
ميشرا، س. إطار عمل التعلم الآلي لتسريع الحساب القائم على البيانات للمعادلات التفاضلية. الرياضيات. مهندس. https://doi.org/10.3934/Mine.2018.1.118 (2018).
كوتشيكوف د. وآخرون. التعلم الآلي - تسريع ديناميكيات الموائع الحسابية. عملية. الأكاديمية الوطنية للعلوم. العلوم. الولايات المتحدة 118، e2101784118 (2021).
كادابا، ك. التعلم الآلي في علوم الحاسوب والهندسة - مقدمة موجزة وبعض القضايا الرئيسية. طبعة أولية متاحة على الرابط https://arxiv.org/abs/2112.12054 (2021).
روس، أ.، لي، ز.، بيريزوغين، ب.، فرنانديز-جراندا، س.، وزانا، ل. تحليل مقارن لمعلمات الشبكة الفرعية للمحيطات باستخدام التعلم الآلي في النماذج المثالية. مجلة النموذج المتقدم. نظام الأرض. 15. e2022MS003258 (2023).
ليب، ب.، ويلينج، ب.، بيرديكاريس، ب.، تيرنر، ر.، وبراندستيتر، ج. تحسين المعادلات التفاضلية الجزئية: تحقيق عمليات بثق طويلة دقيقة باستخدام مُحلل المعادلات التفاضلية الجزئية العصبي. المؤتمر السابع والثلاثون لأنظمة معالجة المعلومات العصبية (NeurIPS 2023).
فراكاس، بي آر وآخرون. خوارزمية الانتشار الخلفي وحساب المخزون في الشبكات العصبية المتكررة للتنبؤ بديناميكيات مكانية زمنية معقدة. الشبكة العصبية. 126، 191-217 (2020).
رايسي، م.، بيرديكاريس، ب.، وكارنياداكيس، جي إي. فيزياء، علوم الحاسوب، الشبكات العصبية: إطار عمل للتعلم العميق لحل المسائل الأمامية والعكسية التي تتضمن معادلات تفاضلية جزئية غير خطية. مجلة فيزياء الحاسوب. 378، 686-707 (2019).
جروسمان، تي جي، كوموروسكا، يو جيه، لوتز، جيه، وشونليب، كيه-بي. هل يمكن للشبكات العصبية القائمة على الفيزياء أن تتفوق على أساليب العناصر المحدودة؟ مجلة تطبيقات الرياضيات، المجلد 89، 143-174 (2024).
دي لا ماتا، ف.ف.، خيخون، أ.، مولينا-سولانا، م.، وغوميز-روميرو، ج. الشبكات العصبية القائمة على الفيزياء للنمذجة القائمة على البيانات: المزايا، والقيود، والفرص. فيزياء. أ 610، 128415 (2023).
تشوانغ، ب.-ي. وباربا، ل. أ. تقرير تجريبي حول الشبكات العصبية القائمة على الفيزياء في نمذجة السوائل: المخاطر وخيبات الأمل. طبعة أولية متاحة على الرابط https://arxiv.org/abs/2205.14249 (2022).
تشوانغ، ب.-ي. وباربا، ل. أ.: القيود التنبؤية للشبكات العصبية المُعلَّمة فيزيائيًا على تكوين الدوامات. طبعة أولية متاحة على الرابط https://arxiv.org/abs/2306.00230 (2023).
وانغ، س.، يو، هـ.، وبيرديكاريس، ب. متى ولماذا تفشل الدبابيس في التدريب: منظور النواة المماسّة العصبية. مجلة فيزياء الحاسوب. 449، 110768 (2022).
كريشنا بريان، أ.، غلامي، أ.، زي، س.، كيربي، ر.، وماهوني، م. و. خصائص أوضاع الفشل المحتملة في الشبكات العصبية المعلوماتية الفيزيائية. المؤتمر الخامس والثلاثون لأنظمة معالجة المعلومات العصبية، المجلد 34، الصفحات 26548-26560 (NeurIPS 2021).
بصير، س. وسينوكاك، إ. دراسة نقدية لأنماط الفشل في الشبكات العصبية القائمة على الفيزياء. في منتدى AiAA SCITECH 2022، العدد 2353 (ARK، 2022).
كارناكوف ب.، ليتفينوف س.، كوموتساكوس ب. حل المسائل العكسية الفيزيائية بتحسين الخسائر المنفصلة: تعلم سريع ودقيق بدون شبكات عصبية. عملية. الأكاديمية الوطنية للعلوم. العلوم. نيكسوس 3، pgae005 (2024).
غوندرسن، المبادئ الأساسية لإمكانية إعادة الإنتاج. فيل كروس، ر. شوكر. أ 379، 20200210 (2021).
أروماتاريس إي وبيرسون أ. المراجعات المنهجية: نظرة عامة. نعم. مجلة التمريض 114، 53-58 (2014).
ماجيرا، ج.، راي، د.، هيستافن، ج.س.، ورود، ك. الشبكات العصبية الواعية بالقيود لمسألة ريمان. مجلة فيزياء الحاسوب. 409، 109345 (2020).
بيزجين دي إيه، شميدت إس جيه، وآدامز إن إيه: دائرة حجم محدود مُدارة بالبيانات ومُزودة بمعلومات فيزيائية لصدمات الجهد المنخفض غير التقليدية. مجلة فيزياء الحاسوب. 437، 110324 (2021).
وقت النشر: ٢٩ سبتمبر ٢٠٢٤