Diolch i chi am ymweld â Nature.com. Mae gan y fersiwn o borwr rydych chi'n ei ddefnyddio gefnogaeth CSS gyfyngedig. I gael y canlyniadau gorau, rydym yn argymell eich bod chi'n defnyddio fersiwn newydd o'ch porwr (neu'n analluogi Modd Cydnawsedd yn Internet Explorer). Yn y cyfamser, er mwyn sicrhau cefnogaeth barhaus, rydym yn dangos y wefan heb steilio na JavaScript.
Un o'r cymwysiadau mwyaf addawol o ddysgu peirianyddol mewn ffiseg gyfrifiadurol yw datrysiad cyflymach hafaliadau gwahaniaethol rhannol (PDEs). Prif nod datrysydd hafaliadau gwahaniaethol rhannol sy'n seiliedig ar ddysgu peirianyddol yw cynhyrchu atebion sy'n ddigon cywir yn gyflymach na dulliau rhifiadol safonol i wasanaethu fel cymhariaeth sylfaenol. Yn gyntaf, rydym yn cynnal adolygiad systematig o'r llenyddiaeth dysgu peirianyddol ar ddatrys hafaliadau gwahaniaethol rhannol. O'r holl bapurau sy'n adrodd am ddefnyddio dysgu peirianyddol i ddatrys hafaliadau gwahaniaethol rhannol hylifol ac yn honni goruchafiaeth dros ddulliau rhifiadol safonol, fe wnaethom nodi 79% (60/76) o'i gymharu â llinellau sylfaen gwan. Yn ail, fe wnaethom ganfod tystiolaeth o ragfarn adrodd eang, yn enwedig mewn adrodd canlyniadau a rhagfarn cyhoeddi. Rydym yn dod i'r casgliad bod ymchwil dysgu peirianyddol ar ddatrys hafaliadau gwahaniaethol rhannol yn rhy optimistaidd: gall data mewnbwn gwan arwain at ganlyniadau rhy gadarnhaol, a gall rhagfarn adrodd arwain at dan-adrodd canlyniadau negyddol. I raddau helaeth, mae'n ymddangos bod y problemau hyn yn cael eu hachosi gan ffactorau tebyg i argyfyngau atgynhyrchadwyedd yn y gorffennol: disgresiwn ymchwilwyr a rhagfarn canlyniad cadarnhaol. Rydym yn galw am newid diwylliannol o'r gwaelod i fyny i leihau adrodd rhagfarnllyd a diwygio strwythurol o'r brig i lawr i leihau cymhellion gwyrdroëdig i wneud hynny.
Mae rhestr yr awduron a'r erthyglau a gynhyrchwyd gan yr adolygiad systematig, yn ogystal â dosbarthiad pob erthygl yn y sampl ar hap, ar gael i'r cyhoedd yn https://doi.org/10.17605/OSF.IO/GQ5B3 (cyf. 124).
Mae'r cod sydd ei angen i atgynhyrchu'r canlyniadau yn Nhabl 2 ar gael ar GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (cyf. 125) ac ar Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (dolen 126) a https://codeocean.com/capsule/0799002/tree/v1 (dolen 127).
Randall, D., a Welser, K., Argyfwng Anatgynhyrchadwyedd mewn Gwyddoniaeth Fodern: Achosion, Canlyniadau, a Llwybrau ar gyfer Diwygio (Cymdeithas Genedlaethol y Gwyddonwyr, 2018).
Ritchie, S. Ffuglen Wyddonol: Sut Mae Twyll, Rhagfarn, Tawelwch, a Chynhyrfu yn Tanseilio'r Chwilio am y Gwirionedd (Vintage, 2020).
Cydweithio gwyddonol agored. Asesu atgynhyrchadwyedd mewn gwyddoniaeth seicolegol. Gwyddoniaeth 349, AAAC4716 (2015).
Prinz, F., Schlange, T., ac Asadullah, K. Credwch neu beidio: Faint allwn ni ddibynnu ar ddata cyhoeddedig ar dargedau cyffuriau posibl? Nat. Rev. “Darganfod Cyffuriau.” 10, 712 (2011).
Begley, KG ac Ellis, LM Codi safonau mewn ymchwil canser cyn-glinigol. Nature 483, 531–533 (2012).
A. Gelman ac E. Loken, The Garden of Forking Paths: Why Multiple Comparisons are a Problem Even Without “Fishing Expeditions” neu “p-hacks” a Rhagdybiaethau Ymchwil Rhagffurfiedig, cyf. 348, 1–17 (Adran Ystadegau, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., a Shi, D. Dysgu peirianyddol wrth chwilio am ffiseg sylfaenol newydd. Nat. Doethur mewn Athroniaeth mewn Ffiseg. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM ac Ahsan MJ. Dysgu peirianyddol mewn darganfod cyffuriau: adolygiad. Atif. Intel. Gol. 55, 1947–1999 (2022).
Mather, AS a Coote, ML Dysgu dwfn mewn cemeg. J.Chemistry. hysbysu. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. a Kohan I. Dysgu peirianyddol mewn meddygaeth. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. a Stewart BM Dysgu peirianyddol mewn gwyddorau cymdeithasol: dull agnostig. Y Parch. Ann Ball. gwyddoniaeth. 24, 395–419 (2021).
Jump, J. et al. Gwnewch ragfynegiadau strwythur protein cywir iawn gan ddefnyddio alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., a Gil, Y. Ffynonellau anghynhyrchadwyedd mewn dysgu peirianyddol: Adolygiad. Rhagargraffiad ar gael yn https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., a Rahimi, A. Melltith yr enillydd? Ar gyflymder, cynnydd a thrylwyredd tystiolaeth empirig (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., a Zobel, J. Gwelliannau anadegol: canlyniadau chwiliadau rhagarweiniol ers 1998. 18fed Gynhadledd ACM ar Reoli Gwybodaeth a Gwybodaeth 601–610 (ACM 2009).
Kapoor, S. a Narayanan, A. Argyfyngau gollyngiadau ac atgynhyrchadwyedd mewn gwyddoniaeth sy'n seiliedig ar ddysgu peirianyddol. Patterns, 4, 100804 (2023).
Kapoor S. et al. Diwygio: safonau adrodd gwyddonol yn seiliedig ar ddysgu peirianyddol. Rhagargraffiad ar gael yn https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., a Recht, B. Gall cymariaethau diystyr arwain at optimistiaeth ffug mewn dysgu peirianyddol meddygol. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Peryglon cyffredin ac arferion gorau ar gyfer defnyddio dysgu peirianyddol i ganfod a rhagweld COVID-19 o belydrau-x y frest a thomograffeg gyfrifiadurol. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Modelau rhagfynegol ar gyfer diagnosis a prognosis COVID-19: adolygiad systematig ac asesiad beirniadol. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS a Pollard KS Goresgyn peryglon defnyddio dysgu peirianyddol mewn genomeg. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Arferion gorau ar gyfer dysgu peirianyddol mewn cemeg. Nat. Chemical. 13, 505–508 (2021).
Brunton SL a Kutz JN Cyfarwyddiadau addawol ar gyfer dysgu peirianyddol hafaliadau differol rhannol. Nat. cyfrifo. gwyddoniaeth. 4, 483–494 (2024).
Vinuesa, R. a Brunton, SL Gwella dynameg hylifau cyfrifiadurol trwy ddysgu peirianyddol. Nat. cyfrifo. gwyddoniaeth. 2, 358–366 (2022).
Comeau, S. ac eraill. Dysgu peirianyddol gwyddonol gyda rhwydweithiau niwral sy'n cael eu hysbysu'n gorfforol: Ble rydyn ni nawr a beth nesaf. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., a Xiao, H. Modelu tyrfedd yn oes y data. Argraffiad diwygiedig o Ann. 51, 357–377 (2019).
Durran, DR Dulliau rhifiadol ar gyfer datrys hafaliadau tonnau mewn hydrodynameg geoffisegol, cyf. 32 (Springer, 2013).
Mishra, S. Fframwaith dysgu peirianyddol ar gyfer cyflymu cyfrifiad hafaliadau differol sy'n seiliedig ar ddata. mathemateg. peiriannydd. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Dysgu peirianyddol – cyflymiad dynameg hylifau cyfrifiadurol. proses. Academi Genedlaethol y Gwyddorau. gwyddoniaeth. US 118, e2101784118 (2021).
Kadapa, K. Dysgu peirianyddol ar gyfer cyfrifiadureg a pheirianneg – cyflwyniad byr a rhai materion allweddol. Rhagargraffiad ar gael yn https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., a Zanna, L. Dadansoddiad cymharol o baramedreiddio is-grid cefnfor dysgu peirianyddol mewn modelau delfrydol. J.Adv. Model. system ddaear. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., a Brandstetter, J. Mireinio PDE: cyflawni allwthiadau hir cywir gyda datrysydd PDE niwral. 37ain Gynhadledd ar Systemau Prosesu Gwybodaeth Niwral (NeurIPS 2023).
Frachas, PR et al. Algorithm ôl-leoli a chyfrifo cronfeydd dŵr mewn rhwydweithiau niwral cylchol ar gyfer rhagweld deinameg gofod-amserol cymhleth. rhwydwaith niwral. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. a Karniadakis, GE Ffiseg, cyfrifiadureg, rhwydweithiau niwral: fframwaith dysgu dwfn ar gyfer datrys problemau ymlaen a gwrthdro sy'n cynnwys hafaliadau gwahaniaethol rhannol anlinellol. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., a Schönlieb, K.-B. A all rhwydweithiau niwral sy'n seiliedig ar ffiseg berfformio'n well na dulliau elfennau meidraidd? IMA J. Cymwysiadau. mathemateg. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., a Gómez-Romero, J. Rhwydweithiau niwral sy'n seiliedig ar ffiseg ar gyfer modelu sy'n seiliedig ar ddata: manteision, cyfyngiadau a chyfleoedd. ffiseg. A 610, 128415 (2023).
Zhuang, P.-Y. a Barba, LA Adroddiad empirig ar rwydweithiau niwral sy'n seiliedig ar ffiseg mewn modelu hylifau: peryglon a siomedigaethau. Rhagargraffiad ar gael yn https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. a Barba, LA Cyfyngiadau rhagfynegol rhwydweithiau niwral gwybodus yn gorfforol ar ffurfio troellau. Rhagargraffiad ar gael yn https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., a Perdikaris, P. Pryd a pham mae pinnau'n methu â hyfforddi: Persbectif niwclews tangiadol niwral. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., a Mahoney, MW Nodweddion dulliau methiant posibl mewn rhwydweithiau niwral gwybodaeth ffisegol. 35ain Gynhadledd ar Systemau Prosesu Gwybodaeth Niwral Cyfrol 34, 26548–26560 (NeurIPS 2021).
Basir, S. a Senokak, I. Astudiaeth feirniadol o ddulliau methiant mewn rhwydweithiau niwral sy'n seiliedig ar ffiseg. Yn AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. a Koumoutsakos P. Datrys problemau gwrthdro ffisegol trwy optimeiddio colledion arwahanol: dysgu cyflym a chywir heb rwydweithiau niwral. proses. Academi Genedlaethol y Gwyddorau. gwyddoniaeth. Nexus 3, pgae005 (2024).
Egwyddorion sylfaenol atgynhyrchadwyedd Gundersen OE. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E a Pearson A. Adolygiadau systematig: trosolwg. Yes. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, a Rohde, K. Rhwydweithiau niwral sy'n ymwybodol o gyfyngiadau ar gyfer problem Riemann. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ ac Adams NA Cylchdaith gyfaint gyfyngedig sy'n seiliedig ar ddata ac sy'n cael ei hysbysu'n ffisegol ar gyfer siociau foltedd is anghlasurol. J. Computer. physics. 437, 110324 (2021).
Amser postio: Medi-29-2024