Gràcies per visitar Nature.com. La versió del navegador que esteu utilitzant té compatibilitat limitada amb CSS. Per obtenir els millors resultats, us recomanem que utilitzeu una versió més recent del vostre navegador (o que desactiveu el mode de compatibilitat a l'Internet Explorer). Mentrestant, per garantir una assistència contínua, mostrem el lloc web sense estils ni JavaScript.
Una de les aplicacions més prometedores de l'aprenentatge automàtic en la física computacional és la solució accelerada d'equacions diferencials parcials (EDP). L'objectiu principal d'un solucionador d'equacions diferencials parcials basat en l'aprenentatge automàtic és produir solucions que siguin prou precises i més ràpides que els mètodes numèrics estàndard per servir com a comparació de referència. Primer, realitzem una revisió sistemàtica de la literatura sobre aprenentatge automàtic sobre la resolució d'equacions diferencials parcials. De tots els articles que informen sobre l'ús de l'aprenentatge automàtic per resoldre equacions diferencials parcials de fluids i que afirmen superioritat sobre els mètodes numèrics estàndard, vam identificar un 79% (60/76) en comparació amb línies de base febles. En segon lloc, vam trobar evidència d'un biaix d'informe generalitzat, particularment en l'informe de resultats i el biaix de publicació. Concloem que la investigació sobre l'aprenentatge automàtic sobre la resolució d'equacions diferencials parcials és massa optimista: les dades d'entrada febles poden conduir a resultats massa positius, i el biaix d'informe pot conduir a la infranotificació de resultats negatius. En gran part, aquests problemes semblen ser causats per factors similars a les crisis de reproductibilitat passades: discreció de l'investigador i biaix de resultat positiu. Demanem un canvi cultural de baix a dalt per minimitzar els informes esbiaixats i una reforma estructural de dalt a baix per reduir els incentius perversos per fer-ho.
La llista d'autors i articles generada per la revisió sistemàtica, així com la classificació de cada article de la mostra aleatòria, està disponible públicament a https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124).
El codi necessari per reproduir els resultats de la Taula 2 es pot trobar a GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) i a Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (enllaç 126) i https://codeocean.com/capsule/0799002/tree/v1 (enllaç 127).
Randall, D., i Welser, K., La crisi de la irreproductibilitat en la ciència moderna: causes, conseqüències i vies per a la reforma (Associació Nacional de Científics, 2018).
Ritchie, S. Ciència-ficció: com el frau, el biaix, el silenci i l'enrenou minen la recerca de la veritat (Vintage, 2020).
Col·laboració científica oberta. Avaluació de la reproductibilitat en la ciència psicològica. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., i Asadullah, K. Ho creguis o no: quant podem confiar en les dades publicades sobre possibles objectius farmacològics? Nat. Rev. “The Discovery of Drugs.” 10, 712 (2011).
Begley, KG i Ellis, LM. Augmentant els estàndards en la recerca preclínica del càncer. Nature 483, 531–533 (2012).
A. Gelman i E. Loken, El jardí dels camins que es bifurquen: per què les comparacions múltiples són un problema fins i tot sense "expedicions de pesca" o "p-hacks" i hipòtesis de recerca preformades, vol. 348, 1–17 (Departament d'Estadística, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., i Shi, D. Aprenentatge automàtic a la recerca de nova física fonamental. Doctorat Nacional en Física. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM i Ahsan MJ. Aprenentatge automàtic en el descobriment de fàrmacs: una revisió. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS i Coote, ML Aprenentatge profund en química. J. Chemistry. Notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. i Kohan I. Aprenentatge automàtic en medicina. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. i Stewart BM Aprenentatge automàtic en ciències socials: un enfocament agnòstic. Rev. Ann Ball. science. 24, 395–419 (2021).
Jump, J. et al. Feu prediccions d'estructura de proteïnes altament precises utilitzant alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., i Gil, Y. Fonts d'irreproductibilitat en l'aprenentatge automàtic: una revisió. Preimpressió disponible a https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., i Rahimi, A. La maledicció de Winner? Sobre la velocitat, el progrés i el rigor de l'evidència empírica (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., i Zobel, J. Millores no additives: resultats preliminars de la cerca des del 1998. 18a Conferència ACM sobre Gestió de la Informació i el Coneixement 601–610 (ACM 2009).
Kapoor, S. i Narayanan, A. Crisis de fuites i reproductibilitat en la ciència basada en l'aprenentatge automàtic. Patterns, 4, 100804 (2023).
Kapoor S. et al. Reforma: estàndards d'informació científica basats en l'aprenentatge automàtic. Preimpressió disponible a https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., i Recht, B. Les comparacions sense sentit poden conduir a un fals optimisme en l'aprenentatge automàtic mèdic. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Errors comuns i bones pràctiques per utilitzar l'aprenentatge automàtic per detectar i predir la COVID-19 a partir de radiografies de tòrax i tomografies computades. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Models predictius per al diagnòstic i pronòstic de la COVID-19: una revisió sistemàtica i avaluació crítica. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS i Pollard KS Superant els inconvenients de l'ús de l'aprenentatge automàtic en genòmica. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Millors pràctiques per a l'aprenentatge automàtic en química. Nat. Chemical. 13, 505–508 (2021).
Brunton SL i Kutz JN. Direccions prometedores per a l'aprenentatge automàtic d'equacions diferencials parcials. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. i Brunton, SL Millora de la dinàmica computacional de fluids mitjançant l'aprenentatge automàtic. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. et al. Aprenentatge automàtic científic amb xarxes neuronals físicament informades: on som ara i què ve després. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., i Xiao, H. Modelització de turbulències a l'era de les dades. Edició revisada d'Ann. 51, 357–377 (2019).
Durran, DR Mètodes numèrics per resoldre equacions d'ona en hidrodinàmica geofísica, vol. 32 (Springer, 2013).
Mishra, S. Un marc de treball d'aprenentatge automàtic per accelerar el càlcul basat en dades d'equacions diferencials. matemàtiques. enginyeria. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Aprenentatge automàtic: acceleració de la dinàmica de fluids computacional. Procés. Acadèmia Nacional de Ciències. Ciència. US 118, e2101784118 (2021).
Kadapa, K. Aprenentatge automàtic per a la informàtica i l'enginyeria: una breu introducció i alguns aspectes clau. Preprint disponible a https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., i Zanna, L. Anàlisi comparativa de la parametrització de la subgraella oceànica per aprenentatge automàtic en models idealitzats. J.Adv. Model. Sistema terrestre. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., i Brandstetter, J. Refinament d'EDP: aconseguint extrusions llargues precises amb un solucionador d'EDP neuronal. 37a Conferència sobre Sistemes de Processament d'Informació Neuronal (NeurIPS 2023).
Frachas, PR et al. Algorisme de retropropagació i càlcul de reservoris en xarxes neuronals recurrents per a la predicció de dinàmiques espaciotemporals complexes. neuronal network. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. i Karniadakis, GE Física, informàtica, xarxes neuronals: un marc d'aprenentatge profund per resoldre problemes directes i inversos que impliquen equacions diferencials parcials no lineals. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., i Schönlieb, K.-B. Poden les xarxes neuronals basades en la física superar els mètodes d'elements finits? IMA J. Aplicacions. matemàtiques. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., i Gómez-Romero, J. Xarxes neuronals basades en física per a la modelització basada en dades: avantatges, limitacions i oportunitats. física. A 610, 128415 (2023).
Zhuang, P.-Y. i Barba, LA Un informe empíric sobre xarxes neuronals basades en física en la modelització de fluids: entrebancs i decepcions. Preprint disponible a https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. i Barba, LA Limitacions predictives de les xarxes neuronals físicament informades sobre la formació de vòrtexs. Preimpressió disponible a https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., i Perdikaris, P. Quan i per què els pins no s'entrenen: una perspectiva del nucli tangent neuronal. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., i Mahoney, MW. Característiques dels possibles modes de fallada en xarxes neuronals d'informació física. 35a Conferència sobre Sistemes de Processament d'Informació Neuronal Vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. i Senokak, I. Un estudi crític dels modes de fallada en xarxes neuronals basades en física. A AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. i Koumoutsakos P. Resolució de problemes inversos físics optimitzant pèrdues discretes: aprenentatge ràpid i precís sense xarxes neuronals. Process. Acadèmia Nacional de Ciències. Science. Nexus 3, pgae005 (2024).
Gundersen OE Principis bàsics de reproductibilitat. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E i Pearson A. Revisions sistemàtiques: una visió general. Sí. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, i Rohde, K. Xarxes neuronals conscients de restriccions per al problema de Riemann. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ i Adams NA Circuit de volum finit informat físicament basat en dades per a xocs de voltatge reduït no clàssics. J. Computer. physics. 437, 110324 (2021).
Data de publicació: 29 de setembre de 2024