Děkujeme za návštěvu webu Nature.com. Verze prohlížeče, kterou používáte, má omezenou podporu CSS. Pro dosažení nejlepších výsledků doporučujeme používat novější verzi prohlížeče (nebo v aplikaci Internet Explorer vypnout režim kompatibility). Mezitím, abychom zajistili průběžnou podporu, zobrazujeme web bez stylů a JavaScriptu.
Jednou z nejslibnějších aplikací strojového učení ve výpočetní fyzice je zrychlené řešení parciálních diferenciálních rovnic (PDR). Hlavním cílem řešiče parciálních diferenciálních rovnic založeného na strojovém učení je produkovat řešení, která jsou dostatečně přesná a rychlejší než standardní numerické metody, aby mohla sloužit jako základní srovnání. Nejprve provádíme systematický přehled literatury o strojovém učení týkající se řešení parciálních diferenciálních rovnic. Ze všech článků, které uvádějí použití ML k řešení parciálních diferenciálních rovnic tekutin a prohlašují jejich nadřazenost nad standardními numerickými metodami, jsme identifikovali 79 % (60/76) ve srovnání se slabými základními hodnotami. Za druhé jsme našli důkazy o rozšířeném zkreslení v hlášení, zejména v hlášení výsledků a publikačním zkreslení. Došli jsme k závěru, že výzkum strojového učení v oblasti řešení parciálních diferenciálních rovnic je příliš optimistický: slabá vstupní data mohou vést k příliš pozitivním výsledkům a zkreslení v hlášení může vést k podhodnocení negativních výsledků. Z velké části se zdá, že tyto problémy jsou způsobeny faktory podobnými minulým krizím reprodukovatelnosti: diskreční pravomoc výzkumníků a zkreslení pozitivních výsledků. Vyzýváme ke kulturní změně zdola nahoru, aby se minimalizovalo zkreslené hlášení, a ke strukturální reformě shora dolů, aby se snížily zvrácené pobídky k tomu.
Seznam autorů a článků vygenerovaných systematickým přehledem, stejně jako klasifikace každého článku v náhodném vzorku, je veřejně dostupný na adrese https://doi.org/10.17605/OSF.IO/GQ5B3 (odkaz 124).
Kód potřebný k reprodukci výsledků v tabulce 2 lze nalézt na GitHubu: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (odkaz 125) a na Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (odkaz 126) a https://codeocean.com/capsule/0799002/tree/v1 (odkaz 127).
Randall, D. a Welser, K., Krize nereprodukovatelnosti v moderní vědě: Příčiny, důsledky a cesty k reformě (Národní asociace vědců, 2018).
Ritchie, S. Sci-fi: Jak podvody, zaujatost, mlčení a humbuk podkopávají hledání pravdy (Vintage, 2020).
Otevřená vědecká spolupráce. Hodnocení reprodukovatelnosti v psychologické vědě. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. a Asadullah, K. Věřte tomu nebo ne: Do jaké míry se můžeme spoléhat na publikovaná data o potenciálních cílech léčiv? Nat. Rev. „Objev drog.“ 10, 712 (2011).
Begley, KG a Ellis, LM. Zvyšování standardů v preklinickém výzkumu rakoviny. Nature 483, 531–533 (2012).
A. Gelman a E. Loken, Zahrada rozdvojených cest: Proč jsou vícenásobná srovnání problémem i bez „rybářských expedic“ nebo „p-hacků“ a předem připravených výzkumných hypotéz, sv. 348, 1–17 (Ministerstvo statistiky, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. a Shi, D. Strojové učení při hledání nové fundamentální fyziky. Nat. Doctor of Philosophy in Physics. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM a Ahsan MJ. Strojové učení při objevování léčiv: přehled. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS a Coote, ML Hluboké učení v chemii. J.Chemistry. notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. a Kohan I. Strojové učení v medicíně. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. a Stewart BM. Strojové učení v sociálních vědách: agnostický přístup. Rev. Ann Ball. science. 24, 395–419 (2021).
Jump, J. a kol. Vysoce přesné předpovědi struktury proteinů pomocí alfafoldu. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. a Gil, Y. Zdroje nereprodukovatelnosti ve strojovém učení: Přehled. Preprint dostupný na https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. a Rahimi, A. Vítězova kletba? O rychlosti, pokroku a důslednosti empirických důkazů (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. a Zobel, J. Neaditivní vylepšení: předběžné výsledky vyhledávání od roku 1998. 18. konference ACM o informační a znalostní správě 601–610 (ACM 2009).
Kapoor, S. a Narayanan, A. Krize úniku a reprodukovatelnosti ve vědě založené na strojovém učení. Patterns, 4, 100804 (2023).
Kapoor S. a kol. Reforma: standardy vědeckého reportingu založené na strojovém učení. Preprint dostupný na https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C. a Recht, B. Nesmyslná srovnání mohou vést k falešnému optimismu v lékařském strojovém učení. PloS ONE 12, e0184604 (2017).
Roberts, M. a kol. Běžná úskalí a osvědčené postupy pro využití strojového učení k detekci a predikci COVID-19 z rentgenových snímků hrudníku a počítačové tomografie. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. a kol. Prediktivní modely pro diagnostiku a prognózu COVID-19: systematický přehled a kritické zhodnocení. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS a Pollard KS. Překonávání úskalí používání strojového učení v genomice. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. a kol. Nejlepší postupy pro strojové učení v chemii. Nat. Chemical. 13, 505–508 (2021).
Brunton SL a Kutz JN Slibné směry pro strojové učení parciálních diferenciálních rovnic. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. a Brunton, SL Zlepšení výpočetní dynamiky tekutin pomocí strojového učení. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. a kol. Vědecké strojové učení s fyzikálně informovanými neuronovými sítěmi: Kde jsme nyní a co bude dál. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. a Xiao, H. Modelování turbulence v datové éře. Revidované vydání Ann. 51, 357–377 (2019).
Durran, DR Numerické metody pro řešení vlnových rovnic v geofyzikální hydrodynamice, sv. 32 (Springer, 2013).
Mishra, S. Rámec strojového učení pro urychlení výpočtů diferenciálních rovnic řízených daty. matematika. inženýrství. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. a kol. Strojové učení – zrychlení výpočetní dynamiky tekutin. Národní akademie věd. US 118, e2101784118 (2021).
Kadapa, K. Strojové učení pro informatiku a informatiku – stručný úvod a některé klíčové otázky. Preprint dostupný na https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. a Zanna, L. Srovnávací analýza parametrizace oceánské submřížky strojového učení v idealizovaných modelech. J.Adv. Model. Earth system. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. a Brandstetter, J. Zpřesnění PDR: dosažení přesných dlouhých extruzí pomocí neuronového řešiče PDR. 37. konference o systémech zpracování neuronových informací (NeurIPS 2023).
Frachas, PR a kol. Algoritmus zpětného šíření a výpočet rezervoáru v rekurentních neuronových sítích pro predikci komplexní časoprostorové dynamiky. neuronová síť. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. a Karniadakis, GE Fyzika, informatika, neuronové sítě: rámec hlubokého učení pro řešení dopředných a inverzních problémů zahrnujících nelineární parciální diferenciální rovnice. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. a Schönlieb, K.-B. Mohou neuronové sítě založené na fyzice překonat metody konečných prvků? IMA J. Applications. matematika. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M. a Gómez-Romero, J. Fyzikální neuronové sítě pro modelování řízené daty: výhody, omezení a příležitosti. physics. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Empirická zpráva o fyzikálně založených neuronových sítích v modelování tekutin: úskalí a zklamání. Preprint dostupný na https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. a Barba, LA Prediktivní omezení fyzikálně informovaných neuronových sítí na tvorbu vírů. Preprint dostupný na https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. a Perdikaris, P. Kdy a proč se pinny nedaří trénovat: Perspektiva neurálního tangentního jádra. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. a Mahoney, MW. Charakteristiky možných poruchových režimů ve fyzikálních informačních neuronových sítích. 35. konference o systémech neuronového zpracování informací, sv. 34, 26548–26560 (NeurIPS 2021).
Basir, S. a Senokak, I. Kritická studie poruchových režimů ve fyzikálních neuronových sítích. In AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. a Koumoutsakos P. Řešení fyzikálních inverzních problémů optimalizací diskrétních ztrát: rychlé a přesné učení bez neuronových sítí. proces. Národní akademie věd. věda. Nexus 3, pgae005 (2024).
Gundersen OE Základní principy reprodukovatelnosti. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E a Pearson A. Systematické přehledy: přehled. Yes. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS a Rohde, K. Neuronové sítě s ohledem na omezení pro Riemannův problém. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ a Adams NA Daty řízený fyzikálně informovaný obvod s konečným objemem pro neklasické redukované napěťové šoky. J. Computer. physics. 437, 110324 (2021).
Čas zveřejnění: 29. září 2024