Hvala vam što ste posjetili Nature.com. Verzija preglednika koju koristite ima ograničenu CSS podršku. Za najbolje rezultate, preporučujemo da koristite noviju verziju preglednika (ili da onemogućite način kompatibilnosti u Internet Exploreru). U međuvremenu, kako bismo osigurali kontinuiranu podršku, prikazujemo stranicu bez stiliziranja ili JavaScripta.
Jedna od najperspektivnijih primjena mašinskog učenja u računarskoj fizici je ubrzano rješavanje parcijalnih diferencijalnih jednačina (PDE). Glavni cilj rješavača parcijalnih diferencijalnih jednačina zasnovanog na mašinskom učenju je da proizvede rješenja koja su dovoljno tačna i brža od standardnih numeričkih metoda da posluže kao osnovna linija za poređenje. Prvo provodimo sistematski pregled literature o mašinskom učenju o rješavanju parcijalnih diferencijalnih jednačina. Od svih radova koji izvještavaju o upotrebi ML-a za rješavanje parcijalnih diferencijalnih jednačina fluida i tvrde da su superiorniji u odnosu na standardne numeričke metode, identificirali smo 79% (60/76) u poređenju sa slabim osnovnim linijama. Drugo, pronašli smo dokaze o široko rasprostranjenoj pristranosti u izvještavanju, posebno u izvještavanju o ishodima i pristranosti u objavljivanju. Zaključujemo da su istraživanja mašinskog učenja o rješavanju parcijalnih diferencijalnih jednačina previše optimistična: slabi ulazni podaci mogu dovesti do previše pozitivnih rezultata, a pristranost u izvještavanju može dovesti do nedovoljnog izvještavanja o negativnim rezultatima. U velikoj mjeri, čini se da su ovi problemi uzrokovani faktorima sličnim prošlim krizama reproducibilnosti: diskrecija istraživača i pristranost pozitivnih ishoda. Pozivamo na kulturne promjene odozdo prema gore kako bi se minimiziralo pristrasno izvještavanje i strukturne reforme odozgo prema dolje kako bi se smanjili perverzni podsticaji za to.
Spisak autora i članaka generiranih sistematskim pregledom, kao i klasifikacija svakog članka u slučajnom uzorku, javno je dostupan na https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124).
Kod potreban za reprodukciju rezultata u Tabeli 2 može se naći na GitHub-u: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) i na Code Ocean-u: https://codeocean.com/capsule/9605539/Tree/ v1 (link 126) i https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Randall, D. i Welser, K., Kriza nereproducibilnosti u modernoj nauci: uzroci, posljedice i putevi reforme (Nacionalno udruženje naučnika, 2018).
Ritchie, S. Naučna fantastika: Kako prevara, pristranost, šutnja i medijska pompa potkopavaju potragu za istinom (Vintage, 2020).
Otvorena naučna saradnja. Procjena reproducibilnosti u psihološkoj nauci. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. i Asadullah, K. Vjerovali ili ne: Koliko se možemo osloniti na objavljene podatke o potencijalnim metama lijekova? Nat. Rev. “Otkriće lijekova.” 10, 712 (2011).
Begley, KG i Ellis, LM Podizanje standarda u predkliničkim istraživanjima raka. Nature 483, 531–533 (2012).
A. Gelman i E. Loken, Vrt račvastih puteva: Zašto su višestruka poređenja problem čak i bez „ribolovnih ekspedicija“ ili „p-hakova“ i prethodno formiranih istraživačkih hipoteza, vol. 348, 1–17 (Odjel za statistiku, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. i Shi, D. Mašinsko učenje u potrazi za novom fundamentalnom fizikom. Nacionalni doktorat iz fizike. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM i Ahsan MJ. Mašinsko učenje u otkrivanju lijekova: pregled. Atif. Intel. Ur. 55, 1947–1999 (2022).
Mather, AS i Coote, ML Duboko učenje u hemiji. J.Chemistry. notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. i Kohan I. Mašinsko učenje u medicini. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. i Stewart BM Mašinsko učenje u društvenim naukama: agnostički pristup. Rev. Ann Ball. nauka. 24, 395–419 (2021).
Jump, J. i dr. Napravite visoko precizna predviđanja strukture proteina korištenjem alphafold metode. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. i Gil, Y. Izvori nereproducibilnosti u mašinskom učenju: Pregled. Preprint dostupan na https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. i Rahimi, A. Prokletstvo pobjednika? O brzini, napretku i strogosti empirijskih dokaza (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. i Zobel, J. Neaditivna poboljšanja: preliminarni rezultati pretraživanja od 1998. 18. ACM konferencija o upravljanju informacijama i znanjem 601–610 (ACM 2009).
Kapoor, S. i Narayanan, A. Krize curenja i reproducibilnosti u nauci zasnovanoj na mašinskom učenju. Patterns, 4, 100804 (2023).
Kapoor S. i dr. Reforma: standardi naučnog izvještavanja zasnovani na mašinskom učenju. Preprint dostupan na https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C. i Recht, B. Besmislene usporedbe mogu dovesti do lažnog optimizma u medicinskom strojnom učenju. PloS ONE 12, e0184604 (2017).
Roberts, M. i dr. Uobičajene zamke i najbolje prakse korištenja mašinskog učenja za otkrivanje i predviđanje COVID-19 na osnovu rendgenskih snimaka grudnog koša i kompjuterizovane tomografije. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. i dr. Prediktivni modeli za dijagnozu i prognozu COVID-19: sistematski pregled i kritička procjena. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS i Pollard KS, Savladavanje zamki korištenja mašinskog učenja u genomici. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. i dr. Najbolje prakse za mašinsko učenje u hemiji. Nat. Chemical. 13, 505–508 (2021).
Brunton SL i Kutz JN Obećavajući pravci za mašinsko učenje parcijalnih diferencijalnih jednačina. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. i Brunton, SL Poboljšanje računarske dinamike fluida putem mašinskog učenja. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. i dr. Naučno mašinsko učenje sa fizički informisanim neuronskim mrežama: Gdje smo sada i šta je sljedeće. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. i Xiao, H. Modeliranje turbulencije u eri podataka. Revidirano izdanje Ann. 51, 357–377 (2019).
Durran, DR Numeričke metode za rješavanje talasnih jednačina u geofizičkoj hidrodinamici, vol. 32 (Springer, 2013).
Mishra, S. Okvir za mašinsko učenje za ubrzavanje izračunavanja diferencijalnih jednačina zasnovanog na podacima. matematika. inženjer. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. i dr. Mašinsko učenje – ubrzanje računarske dinamike fluida. Proces. Nacionalna akademija nauka. Nauka. US 118, e2101784118 (2021).
Kadapa, K. Mašinsko učenje za računarstvo i inženjerstvo – kratak uvod i neka ključna pitanja. Preprint dostupan na https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. i Zanna, L. Komparativna analiza parametrizacije okeanske podmreže mašinskog učenja u idealizovanim modelima. J.Adv. Model. Zemljin sistem. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. i Brandstetter, J. Usavršavanje parcijalnih diferencijalnih jednačina: postizanje tačnih dugih ekstruzija pomoću neuronskog rješavača parcijalnih diferencijalnih jednačina. 37. konferencija o sistemima za obradu neuronskih informacija (NeurIPS 2023).
Frachas, PR i dr. Algoritam povratnog širenja i proračun rezervoara u rekurentnim neuronskim mrežama za predviđanje složene prostorno-vremenske dinamike. neuronska mreža. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. i Karniadakis, GE Fizika, računarstvo, neuronske mreže: okvir dubokog učenja za rješavanje direktnih i inverznih problema koji uključuju nelinearne parcijalne diferencijalne jednačine. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. i Schönlieb, K.-B. Mogu li neuronske mreže zasnovane na fizici nadmašiti metode konačnih elemenata? IMA J. Applications. matematika. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M. i Gómez-Romero, J. Neuronske mreže zasnovane na fizici za modeliranje vođeno podacima: prednosti, ograničenja i mogućnosti. physics. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Empirijski izvještaj o neuronskim mrežama zasnovanim na fizici u modeliranju fluida: zamke i razočaranja. Preprint dostupan na https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. i Barba, LA Prediktivna ograničenja fizički informiranih neuronskih mreža na formiranje vrtloga. Preprint dostupan na https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. i Perdikaris, P. Kada i zašto pinnovi ne uspijevaju da se obuče: Perspektiva tangentnog neuronskog jezgra. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. i Mahoney, MW Karakteristike mogućih načina kvara u fizičkim informacionim neuronskim mrežama. 35. konferencija o sistemima za obradu neuronskih informacija, tom 34, 26548–26560 (NeurIPS 2021).
Basir, S. i Senokak, I. Kritička studija načina kvara u neuronskim mrežama zasnovanim na fizici. U AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. i Koumoutsakos P. Rješavanje fizičkih inverznih problema optimizacijom diskretnih gubitaka: brzo i tačno učenje bez neuronskih mreža. proces. Nacionalna akademija nauka. nauka. Nexus 3, pgae005 (2024).
Gundersen OE Osnovni principi reproducibilnosti. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E i Pearson A. Sistematski pregledi: pregled. Yes. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS i Rohde, K. Neuronske mreže svjesne ograničenja za Riemannov problem. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ i Adams NA Fizički informirano kolo konačnog volumena vođeno podacima za neklasične smanjene naponske udare. J. Computer. physics. 437, 110324 (2021).
Vrijeme objave: 29. septembar 2024.