Дзякуй за наведванне сайта Nature.com. Версія браўзера, якой вы карыстаецеся, мае абмежаваную падтрымку CSS. Для дасягнення найлепшых вынікаў рэкамендуем выкарыстоўваць больш новую версію браўзера (або адключыць рэжым сумяшчальнасці ў Internet Explorer). Тым часам, каб забяспечыць пастаянную падтрымку, мы паказваем сайт без стыляў і JavaScript.
Адным з найбольш перспектыўных прымяненняў машыннага навучання ў вылічальнай фізіцы з'яўляецца паскоранае рашэнне дыферэнцыяльных ураўненняў у частных вытворных (ДУПВ). Асноўная мэта рашальніка дыферэнцыяльных ураўненняў у частных вытворных на аснове машыннага навучання - атрымліваць рашэнні, якія дастаткова дакладныя, хутчэй, чым стандартныя лікавыя метады, каб служыць базавым параўнаннем. Спачатку мы праводзім сістэматычны агляд літаратуры па машынным навучанні па вырашэнні дыферэнцыяльных ураўненняў у частных вытворных. З усіх работ, якія паведамляюць аб выкарыстанні машыннага навучання для рашэння дыферэнцыяльных ураўненняў у частных вытворных вадкасці і сцвярджаюць аб перавазе над стандартнымі лікавымі метадамі, мы вызначылі 79% (60/76) у параўнанні са слабымі базавымі ўзроўнямі. Па-другое, мы знайшлі доказы шырока распаўсюджанай прадузятасці ў справаздачах, асабліва ў справаздачах аб выніках і прадузятасці ў публікацыях. Мы робім выснову, што даследаванні машыннага навучання па вырашэнні дыферэнцыяльных ураўненняў у частных вытворных занадта аптымістычныя: слабыя ўваходныя дадзеныя могуць прывесці да занадта станоўчых вынікаў, а прадузятасць у справаздачнасці можа прывесці да недаацэнкі адмоўных вынікаў. У значнай ступені гэтыя праблемы, відаць, выкліканы фактарамі, падобнымі да мінулых крызісаў узнаўляльнасці: дыскрэцыя даследчыка і прадузятасць станоўчых вынікаў. Мы заклікаем да культурных змен "знізу ўверх", каб мінімізаваць прадузятасць у справаздачнасці, і структурных рэформ "зверху ўніз", каб паменшыць скажоныя стымулы для гэтага.
Спіс аўтараў і артыкулаў, атрыманых у выніку сістэматычнага агляду, а таксама класіфікацыя кожнага артыкула ў выпадковай выбарцы даступныя ў адкрытым доступе па адрасе https://doi.org/10.17605/OSF.IO/GQ5B3 (спасылка 124).
Код, неабходны для ўзнаўлення вынікаў, паказаных у Табліцы 2, можна знайсці на GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (спасылка 125) і на Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (спасылка 126) і https://codeocean.com/capsule/0799002/tree/v1 (спасылка 127).
Рэндал, Д., і Уэлзер, К., Крызіс неўзнаўляльнасці ў сучаснай навуцы: прычыны, наступствы і шляхі рэформы (Нацыянальная асацыяцыя навукоўцаў, 2018).
Рычы, С. Навуковая фантастыка: як махлярства, прадузятасць, маўчанне і ажыятаж падрываюць пошук праўды (Vintage, 2020).
Адкрытае навуковае супрацоўніцтва. Ацэнка ўзнаўляльнасці ў псіхалагічнай навуцы. Science 349, AAAC4716 (2015).
Прынц, Ф., Шланге, Т. і Асадула, К. Верыце ці не: наколькі мы можам спадзявацца на апублікаваныя дадзеныя аб патэнцыйных мішэнях для лекаў? Nat. Rev. «Адкрыццё лекаў». 10, 712 (2011).
Беглі, К. Г. і Эліс, Л. М. Павышэнне стандартаў у даклінічных даследаваннях раку. Nature 483, 531–533 (2012).
А. Гельман і Э. Локен, «Сад раздвоеных сцежак: чаму множныя параўнанні з'яўляюцца праблемай нават без «рыбалоўных экспедыцый» або «p-хакаў» і загадзя сфарміраваных даследчых гіпотэз», т. 348, 1–17 (Дэпартамент статыстыкі, 2013).
Караджорджы, Г., Касецка, Г., Кравіц, С., Нахман, Б. і Шы, Д. Машыннае навучанне ў пошуках новай фундаментальнай фізікі. Нацыянальны навуковы артыкул доктара філасофіі ў галіне фізікі. 4, 399–412 (2022).
Дара С., Дамерчэрла С., Джадхаў С.С., Бабу К.М. і Ахсан М.Дж. Машыннае навучанне ў распрацоўцы лекаў: агляд. Atif. Intel. Рэд. 55, 1947–1999 (2022).
Мазер, А.С. і Кут, М.Л. Глыбокае навучанне ў хіміі. J.Chemistry. notify. Model. 59, 2545–2559 (2019).
Раджкамар А., Дын Дж. і Кохан І. Машыннае навучанне ў медыцыне. Часопіс медыцыны Новай Англіі. 380, 1347–1358 (2019).
Грымер Дж., Робертс М.Э. і Сцюарт Б.М. Машыннае навучанне ў сацыяльных навуках: агностычны падыход. П. Эн Бол. science. 24, 395–419 (2021).
Джамп, Дж. і інш. Зрабіце высокадакладныя прагнозы структуры бялку з дапамогай альфа-згортвання. Nature 596, 583–589 (2021).
Гундэрсен, О. Э., Коклі, К., Кіркпатрык, К. і Гіл, Ю. Крыніцы неўзнаўляльнасці ў машынным навучанні: агляд. Прэпрынт даступны па адрасе https://arxiv.org/abs/2204.07610 (2022).
Скалі, Д., Снук, Дж., Вільчка, А. і Рахімі, А. Праклён пераможцы? Аб хуткасці, прагрэсе і строгасці эмпірычных доказаў (ICLR, 2018).
Армстранг, Т. Г., Мофат, А., Уэбер, У. і Цобель, Дж. Неадытыўныя паляпшэнні: папярэднія вынікі пошуку з 1998 года. 18-я канферэнцыя ACM па кіраванні інфармацыяй і ведамі 601–610 (ACM 2009).
Капур, С. і Нараянан, А. Крызісы ўцечак і ўзнаўляльнасці ў навуцы, заснаванай на машынным навучанні. Patterns, 4, 100804 (2023).
Капур С. і інш. Рэформа: стандарты навуковай справаздачнасці, заснаваныя на машынным навучанні. Прэпрынт даступны па спасылцы https://arxiv.org/abs/2308.07832 (2023).
ДэМасі, О., Кордынг, К. і Рэхт, Б. Бессэнсоўныя параўнанні могуць прывесці да ілжывага аптымізму ў медыцынскім машынным навучанні. PloS ONE 12, e0184604 (2017).
Робертс, М. і інш. Распаўсюджаныя памылкі і перадавыя практыкі выкарыстання машыннага навучання для выяўлення і прагназавання COVID-19 па рэнтгенаграфіі грудной клеткі і камп'ютэрнай тамаграфіі. Nat. Max. Intel. 3, 199–217 (2021).
Вінанц Л. і інш. Прагнастычныя мадэлі для дыягностыкі і прагнозу COVID-19: сістэматычны агляд і крытычная ацэнка. BMJ 369, m1328 (2020).
Уэйлен С., Шрайбер Дж., Нобл У.С. і Полард К.С. Пераадоленне падводных камянёў выкарыстання машыннага навучання ў геноміцы. Nat. Pastor Ginette. 23, 169–181 (2022).
Атрыс Н. і інш. Найлепшыя практыкі машыннага навучання ў хіміі. Nat. Chemical. 13, 505–508 (2021).
Брантан С.Л. і Куц Дж.Н. Перспектыўныя напрамкі машыннага навучання дыферэнцыяльных ураўненняў у частных вытворных. Nat. calculate. science. 4, 483–494 (2024).
Вінуэса, Р. і Брантан, С.Л. Паляпшэнне вылічальнай дынамікі вадкасцей з дапамогай машыннага навучання. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. і інш. Навуковае машыннае навучанне з дапамогай фізічна абгрунтаваных нейронных сетак: дзе мы знаходзімся зараз і што далей. J. Science. calculate. 92, 88 (2022).
Дурайсамі, К., Якарына, Г. і Сяо, Х. Мадэляванне турбулентнасці ў эпоху дадзеных. Перагледжанае выданне Ann. 51, 357–377 (2019).
Дуран, Д. Р. Лікавыя метады рашэння хвалевых ураўненняў у геафізічнай гідрадынаміцы, т. 32 (Springer, 2013).
Мішра, С. Фрэймворк машыннага навучання для паскарэння вылічэнняў дыферэнцыяльных ураўненняў на аснове дадзеных. матэматыка. інжынер. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Кочыкаў Д. і інш. Машыннае навучанне – паскарэнне працэсу вылічальнай гідрадынамікі. Нацыянальная акадэмія навук. навука. ЗША 118, e2101784118 (2021).
Кадапа, К. Машыннае навучанне для інфарматыкі і інжынерыі — кароткі ўвод і некаторыя ключавыя пытанні. Прэпрынт даступны па спасылцы https://arxiv.org/abs/2112.12054 (2021).
Рос, А., Лі, З., Перажогін, П., Фернандэс-Гранда, К. і Занна, Л. Параўнальны аналіз параметрізацыі акіянічнай падсеткі машыннага навучання ў ідэалізаваных мадэлях. J.Adv. Model. earth system. 15. e2022MS003258 (2023).
Ліпэ, П., Вілінг, Б., Пердзікарыс, П., Тэрнер, Р. і Брандштэтэр, Дж. Удасканаленне дыферэнцыяльных ураўненняў у частковых вытворных: дасягненне дакладных доўгіх экструзій з дапамогай нейроннага рашальніка дыферэнцыяльных ураўненняў у частковых вытворных. 37-я канферэнцыя па сістэмах апрацоўкі нейроннай інфармацыі (NeurIPS 2023).
Фрачас, П. Р. і інш. Алгарытм зваротнага распаўсюджвання і разлік рэзервуара ў рэкурэнтных нейронных сетках для прагназавання складанай прасторава-часавай дынамікі. Neuronet network. 126, 191–217 (2020).
Раісі, М., Пердзікарыс, П. і Карніядакіс, Г. Е. Фізіка, інфарматыка, нейронныя сеткі: структура глыбокага навучання для рашэння прамых і адваротных задач з выкарыстаннем нелінейных дыферэнцыяльных ураўненняў у частных вытворных. J. Computer physics. 378, 686–707 (2019).
Гросман, Т. Г., Камароўска, У. Й., Луц, Й. і Шонліб, К.-Б. Ці могуць нейронныя сеткі, заснаваныя на фізіцы, пераўзысці метады канчатковых элементаў? IMA J. Applications. mathematics. 89, 143–174 (2024).
дэ ла Мата, Ф. Ф., Хіхон, А., Маліна-Салана, М. і Гомес-Рамера, Дж. Фізічныя нейронныя сеткі для мадэлявання на аснове дадзеных: перавагі, абмежаванні і магчымасці. physics. A 610, 128415 (2023).
Чжуан, П.-Ю. і Барба, Л.А. Эмпірычны даклад па нейронных сетках на аснове фізікі ў мадэляванні вадкасцей: падводныя камяні і расчараванні. Прэпрынт даступны па адрасе https://arxiv.org/abs/2205.14249 (2022).
Чжуан, П.-Ю. і Барба, Л.А. Прагнастычныя абмежаванні фізічна інфармаваных нейронных сетак на ўтварэнне віхраў. Прэпрынт даступны па адрасе https://arxiv.org/abs/2306.00230 (2023).
Ван, С., Ю, Х. і Пердзікарыс, П. Калі і чаму пінны не трэніруюцца: погляд з пункту гледжання нейрональнага тангенцыяльнага ядра. J. Computer physics. 449, 110768 (2022).
Крышнапрыян, А., Голамі, А., Чжэ, С., Кірбі, Р. і Махоні, М. В. Характарыстыкі магчымых рэжымаў збояў у фізічных інфармацыйных нейронных сетках. 35-я канферэнцыя па сістэмах апрацоўкі нейроннай інфармацыі, т. 34, 26548–26560 (NeurIPS 2021).
Басір, С. і Сенакак, І. Крытычнае даследаванне рэжымаў адмоваў у нейронных сетках, заснаваных на фізіцы. У AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Карнакоў П., Літвінаў С. і Кумуцакос П. Рашэнне фізічных адваротных задач шляхам аптымізацыі дыскрэтных страт: хуткае і дакладнае навучанне без нейронных сетак. працэс. Нацыянальная акадэмія навук. навука. Nexus 3, pgae005 (2024).
Гундэрсен О. Э. Асноўныя прынцыпы ўзнаўляльнасці. Філ.крос. Р. Шукер. А 379, 20200210 (2021).
Араматарыс Э. і Пірсан А. Сістэматычныя агляды: агляд. Так. J. Nursing 114, 53–58 (2014).
Магера, Дж., Рэй, Д., Хестхейвен, Дж. С. і Родэ, К. Нейронныя сеткі з улікам абмежаванняў для задачы Рымана. J. Computer physics. 409, 109345 (2020).
Безгін Д.А., Шміт С.Дж. і Адамс Н.А. Фізічна абгрунтаваная схема з канчатковым аб'ёмам, заснаваная на дадзеных, для некласічных імпульсаў са зніжаным напружаннем. Часопіс камп'ютэрнай фізікі. 437, 110324 (2021).
Час публікацыі: 29 верасня 2024 г.