Salamat sa pagbisita sa Nature.com. Ang bersyon sa browser nga imong gigamit adunay limitado nga suporta sa CSS. Alang sa labing maayo nga mga resulta, among girekomendar nga mogamit ka og mas bag-ong bersyon sa imong browser (o i-disable ang Compatibility Mode sa Internet Explorer). Sa kasamtangan, aron masiguro ang padayon nga suporta, gipakita namon ang site nga wala’y istilo o JavaScript.
Usa sa labing gisaad nga aplikasyon sa pagkat-on sa makina sa computational physics mao ang gipadali nga solusyon sa partial differential equation (PDEs). Ang nag-unang tumong sa usa ka machine learning-based partial differential equation solver mao ang paghimo og mga solusyon nga tukma nga mas paspas kay sa standard numerical nga mga pamaagi aron magsilbing baseline nga pagtandi. Nagpahigayon una kami og sistematikong pagrepaso sa literatura sa pagkat-on sa makina sa pagsulbad sa partial differential equation. Sa tanang mga papeles nga nagtaho sa paggamit sa ML aron masulbad ang fluid partial differential equation ug pag-angkon nga labaw sa standard numerical nga mga pamaagi, among giila ang 79% (60/76) kumpara sa huyang nga mga baseline. Ikaduha, nakit-an namon ang ebidensya sa kaylap nga pagpihig sa pagtaho, labi na sa pagreport sa sangputanan ug pagpihig sa publikasyon. Naghinapos kami nga ang panukiduki sa pagkat-on sa makina sa pagsulbad sa mga partial differential equation sobra ka malaumon: ang huyang nga data sa input mahimong mosangpot sa sobra nga positibo nga mga resulta, ug ang pagtaho sa bias mahimong mosangpot sa pag-underreport sa negatibo nga mga resulta. Sa dakong bahin, kini nga mga problema morag gipahinabo sa mga hinungdan nga susama sa nangaging mga krisis sa reproducibility: pagkabuotan sa imbestigador ug positibo nga pagpihig sa resulta. Nanawagan kami alang sa bottom-up nga pagbag-o sa kultura aron maminusan ang mapihigong pagtaho ug top-down nga reporma sa estruktura aron makunhuran ang dili maayo nga mga insentibo sa pagbuhat niini.
Ang listahan sa mga tagsulat ug mga artikulo nga namugna sa sistematikong pagrepaso, ingon man ang klasipikasyon sa matag artikulo sa random sample, anaa sa publiko sa https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124).
Ang code nga gikinahanglan aron makopya ang mga resulta sa Table 2 makita sa GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) ug sa Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (link 126) ug https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Randall, D., ug Welser, K., The Irreproducibility Crisis sa Modernong Siyensiya: Mga Hinungdan, Mga Sangputanan, ug Mga Dalan alang sa Reporma (National Association of Scientists, 2018).
Ritchie, S. Science Fiction: Giunsa Pagpanglimbong, Pagpihig, Kahilom, ug Hype ang Pagdaot sa Pagpangita sa Kamatuoran (Vintage, 2020).
Bukas nga siyentipikanhong kolaborasyon. Pagtimbang-timbang sa reproducibility sa psychological science. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., ug Asadullah, K. Tuohi kini o dili: Unsa ka dako ang atong pagsalig sa gipatik nga datos sa potensyal nga mga target sa droga? Si Nat. Rev. "Ang Pagkaplag sa mga Droga." 10, 712 (2011).
Begley, KG ug Ellis, LM Pagtaas sa mga sumbanan sa preclinical cancer research. Kinaiyahan 483, 531–533 (2012).
A. Gelman ug E. Loken, The Garden of Forking Paths: Why Multiple Comparisons is a Problem even without "Fishing Expeditions" or "p-hacks" and Preformed Research Hypotheses, vol. 348, 1–17 (Departamento sa Estadistika, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., ug Shi, D. Machine learning sa pagpangita sa bag-ong pundamental nga pisika. Si Nat. Doktor sa Pilosopiya sa Physics. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM ug Ahsan MJ. Pagkat-on sa makina sa pagdiskobre sa droga: usa ka pagrepaso. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS ug Coote, ML Lawom nga pagkat-on sa chemistry. J.Chemistry. pagpahibalo. Modelo. 59, 2545–2559 (2019).
Rajkomar A., Dean J. ug Kohan I. Pagkat-on sa makina sa medisina. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. ug Stewart BM Machine nga pagkat-on sa social sciences: usa ka agnostic nga pamaagi. Si Rev. Ann Ball. siyensya. 24, 395–419 (2021).
Ambak, J. et al. Paghimo sa tukma kaayo nga mga panagna sa istruktura sa protina gamit ang alphafold. Kinaiyahan 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., ug Gil, Y. Mga tinubdan sa irreproducibility sa pagkat-on sa makina: Usa ka pagrepaso. Ang preprint anaa sa https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., ug Rahimi, A. Ang tunglo sa mananaog? Sa katulin, pag-uswag ug kalig-on sa empirical nga ebidensya (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., ug Zobel, J. Non-additive enhancements: preliminary search results sukad 1998. 18th ACM Conference on Information and Knowledge Management 601-610 (ACM 2009).
Kapoor, S. ug Narayanan, A. Leakage ug reproducibility crises sa machine learning-based science. Mga Sumbanan, 4, 100804 (2023).
Kapoor S. et al. Reporma: mga sumbanan sa pagreport sa siyensya base sa pagkat-on sa makina. Ang preprint anaa sa https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., ug Recht, B. Ang walay kahulogan nga mga pagtandi mahimong mosangpot sa sayop nga pagkamalaumon sa pagkat-on sa medikal nga makina. PloS ONE 12, e0184604 (2017).
Roberts, M., ug uban pa. Kasagaran nga mga lit-ag ug labing maayo nga mga gawi sa paggamit sa pagkat-on sa makina aron mahibal-an ug matagna ang COVID-19 gikan sa mga x-ray sa dughan ug computed tomography. Si Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. ug uban pa. Predictive nga mga modelo alang sa diagnosis ug prognosis sa COVID-19: usa ka sistematikong pagrepaso ug kritikal nga pagtasa. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS ug Pollard KS Pagbuntog sa mga lit-ag sa paggamit sa pagkat-on sa makina sa genomics. Si Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. ug uban pa. Labing maayo nga mga gawi alang sa pagkat-on sa makina sa chemistry. Si Nat. Kemikal. 13, 505–508 (2021).
Brunton SL ug Kutz JN Nagsaad nga mga direksyon alang sa pagkat-on sa makina sa partial differential equation. Si Nat. kuwentahon. siyensya. 4, 483–494 (2024).
Vinuesa, R. ug Brunton, SL Pagpauswag sa computational fluid dynamics pinaagi sa pagkat-on sa makina. Si Nat. kuwentahon. siyensya. 2, 358–366 (2022).
Comeau, S. et al. Siyentipikanhong pagkat-on sa makina nga adunay pisikal nga nahibal-an nga mga neural network: Asa kita karon ug unsa ang sunod. J. Siyensya. kuwentahon. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., ug Xiao, H. Turbulence modeling sa data era. Gibag-o nga edisyon sa Ann. 51, 357–377 (2019).
Durran, DR Numerical nga mga pamaagi alang sa pagsulbad sa mga wave equation sa geophysical hydrodynamics, vol. 32 (Springer, 2013).
Mishra, S. Usa ka balangkas sa pagkat-on sa makina alang sa pagpadali sa komputasyon nga gipatuyok sa datos sa mga differential equation. matematika. enhinyero. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Pagkat-on sa makina - pagpadali sa mga dinamikong likido sa pagkalkula. proseso. National Academy of Sciences. siyensya. US 118, e2101784118 (2021).
Kadapa, K. Pagkat-on sa makina alang sa syensya sa kompyuter ug inhenyeriya - usa ka mubo nga pasiuna ug pipila ka hinungdanon nga mga isyu. Ang preprint anaa sa https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., ug Zanna, L. Comparative analysis sa machine learning ocean subgrid parameterization sa idealized nga mga modelo. J.Adv. Modelo. sistema sa yuta. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., ug Brandstetter, J. PDE refinement: pagkab-ot sa tukma nga taas nga extrusions nga adunay neural PDE solver. Ika-37 nga Komperensya sa Neural Information Processing Systems (NeurIPS 2023).
Frachas, PR ug uban pa. Backpropagation algorithm ug pagkalkula sa reservoir sa balik-balik nga neural network alang sa pagtagna sa komplikadong spatiotemporal dynamics. neural network. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. ug Karniadakis, GE Physics, siyensya sa kompyuter, mga neural network: usa ka lawom nga balangkas sa pagkat-on alang sa pagsulbad sa unahan ug balit-ad nga mga problema nga naglambigit sa nonlinear partial differential equation. J. Kompyuter. pisika. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., ug Schönlieb, K.-B. Mahimo ba nga ang mga neural network nga nakabase sa pisika makalabaw sa finite element nga mga pamaagi? IMA J. Mga Aplikasyon. matematika. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., ug Gómez-Romero, J. Physics-based neural networks alang sa data-driven modeling: mga bentaha, limitasyon, ug mga oportunidad. pisika. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Usa ka empirical nga taho sa physics-based neural network sa fluid modeling: mga lit-ag ug mga kasagmuyo. Ang preprint anaa sa https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. ug Barba, LA Predictive nga mga limitasyon sa pisikal nga nahibal-an nga neural network sa vortex formation. Ang preprint anaa sa https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., ug Perdikaris, P. Kanus-a ug nganong napakyas ang mga pin sa pagbansay: Usa ka panglantaw sa neural tangent nucleus. J. Kompyuter. pisika. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., ug Mahoney, MW Mga kinaiya sa posible nga mga paagi sa kapakyasan sa pisikal nga impormasyon nga neural network. Ika-35 nga Komperensya sa Neural Information Processing Systems Vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. ug Senokak, I. Usa ka kritikal nga pagtuon sa mga paagi sa kapakyasan sa mga neural network nga nakabase sa pisika. Sa AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. ug Koumoutsakos P. Pagsulbad sa pisikal nga kabaliktaran nga mga problema pinaagi sa pag-optimize sa discrete losses: paspas ug tukma nga pagkat-on nga walay neural network. proseso. National Academy of Sciences. siyensya. Nexus 3, pgae005 (2024).
Gundersen OE Basic nga mga prinsipyo sa reproducibility. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E ug Pearson A. Systematic reviews: usa ka overview. Oo. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, ug Rohde, K. Constraint-aware neural networks alang sa problema sa Riemann. J. Kompyuter. pisika. 409, 109345 (2020).
Bezgin DA, Schmidt SJ ug Adams NA Gi-drive sa datos nga pisikal nga nahibal-an nga limitado nga volume circuit alang sa dili klasikal nga pagkunhod sa boltahe nga shocks. J. Kompyuter. pisika. 437, 110324 (2021).
Oras sa pag-post: Sep-29-2024