Tak for dit besøg på Nature.com. Den browserversion, du bruger, har begrænset CSS-understøttelse. For at opnå de bedste resultater anbefaler vi, at du bruger en nyere version af din browser (eller deaktiverer kompatibilitetstilstand i Internet Explorer). I mellemtiden viser vi webstedet uden styling eller JavaScript for at sikre løbende support.
En af de mest lovende anvendelser af maskinlæring i beregningsfysik er den accelererede løsning af partielle differentialligninger (PDE'er). Hovedformålet med en maskinlæringsbaseret partiel differentialligningsløser er at producere løsninger, der er nøjagtige nok hurtigere end standard numeriske metoder til at tjene som en baseline-sammenligning. Vi udfører først en systematisk gennemgang af maskinlæringslitteraturen om løsning af partielle differentialligninger. Af alle de artikler, der rapporterer brugen af ML til at løse flydende partielle differentialligninger og hævder overlegenhed i forhold til standard numeriske metoder, identificerede vi 79% (60/76) sammenlignet med svage baselines. For det andet fandt vi tegn på udbredt rapporteringsbias, især i resultatrapportering og publikationsbias. Vi konkluderer, at maskinlæringsforskning i løsning af partielle differentialligninger er for optimistisk: svage inputdata kan føre til for positive resultater, og rapporteringsbias kan føre til underrapportering af negative resultater. I vid udstrækning synes disse problemer at være forårsaget af faktorer, der ligner tidligere reproducerbarhedskriser: forskeres skøn og positiv resultatbias. Vi opfordrer til bottom-up kulturel ændring for at minimere bias i rapportering og top-down strukturel reform for at reducere perverse incitamenter til at gøre det.
Listen over forfattere og artikler genereret af den systematiske gennemgang, samt klassificeringen af hver artikel i den tilfældige stikprøve, er offentligt tilgængelig på https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124).
Den kode, der er nødvendig for at gengive resultaterne i tabel 2, kan findes på GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) og på Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (link 126) og https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Randall, D., og Welser, K., Krisen med manglende reproducerbarhed i moderne videnskab: Årsager, konsekvenser og veje til reform (National Association of Scientists, 2018).
Ritchie, S. Science fiction: Hvordan bedrageri, bias, tavshed og hype underminerer søgen efter sandhed (Vintage, 2020).
Åbent videnskabeligt samarbejde. Vurdering af reproducerbarhed i psykologisk videnskab. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., og Asadullah, K. Tro det eller ej: Hvor meget kan vi stole på offentliggjorte data om potentielle lægemiddelmål? Nat. Rev. “Opdagelsen af lægemidler.” 10, 712 (2011).
Begley, KG og Ellis, LM. Hævning af standarder inden for præklinisk kræftforskning. Nature 483, 531–533 (2012).
A. Gelman og E. Loken, The Garden of Forking Paths: Why Multiple Comparisons are a Problem Self Without “Fishing Expeditions” eller “p-hacks” og præformed Research Hypotheses, bind 348, 1–17 (Statistikafdelingen, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., og Shi, D. Maskinlæring på jagt efter ny fundamental fysik. Nat. Doctor of Philosophy in Physics. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM og Ahsan MJ. Maskinlæring i lægemiddelforskning: en gennemgang. Atif. Intel. Red. 55, 1947–1999 (2022).
Mather, AS og Coote, ML. Dyb læring i kemi. J.Chemistry. notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. og Kohan I. Maskinlæring i medicin. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME og Stewart BM Maskinlæring i samfundsvidenskab: en agnostisk tilgang. Rev. Ann Ball. science. 24, 395–419 (2021).
Jump, J. et al. Lav meget nøjagtige proteinstrukturforudsigelser ved hjælp af alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., og Gil, Y. Kilder til irreproducerbarhed i maskinlæring: En gennemgang. Fortryk tilgængelig på https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., og Rahimi, A. Vinderens forbandelse? Om empirisk bevismateriales hastighed, fremskridt og stringens (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., og Zobel, J. Ikke-additive forbedringer: foreløbige søgeresultater siden 1998. 18. ACM-konference om informations- og vidensstyring 601–610 (ACM 2009).
Kapoor, S. og Narayanan, A. Lækage- og reproducerbarhedskriser i maskinlæringsbaseret videnskab. Patterns, 4, 100804 (2023).
Kapoor S. et al. Reform: videnskabelige rapporteringsstandarder baseret på maskinlæring. Fortryk tilgængelig på https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., og Recht, B. Meningsløse sammenligninger kan føre til falsk optimisme inden for medicinsk maskinlæring. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Almindelige faldgruber og bedste praksis for brug af maskinlæring til at detektere og forudsige COVID-19 fra røntgenbilleder af brystet og computertomografi. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Prædiktive modeller til diagnose og prognose af COVID-19: en systematisk gennemgang og kritisk vurdering. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS og Pollard KS. Overvindelse af faldgruberne ved at bruge maskinlæring i genomik. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Bedste praksis for maskinlæring i kemi. Nat. Chemical. 13, 505–508 (2021).
Brunton SL og Kutz JN Lovende retninger for maskinlæring af partielle differentialligninger. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. og Brunton, SL. Forbedring af beregningsmæssig fluiddynamik gennem maskinlæring. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. et al. Videnskabelig maskinlæring med fysisk informerede neurale netværk: Hvor vi er nu, og hvad er det næste. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., og Xiao, H. Turbulensmodellering i dataæraen. Revideret udgave af Ann. 51, 357–377 (2019).
Durran, DR Numeriske metoder til løsning af bølgeligninger i geofysisk hydrodynamik, bind 32 (Springer, 2013).
Mishra, S. Et maskinlæringsframework til acceleration af datadrevet beregning af differentialligninger. matematik. ingeniør. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Maskinlæring – acceleration af beregningsmæssige fluiddynamiske processer. National Academy of Sciences. videnskab. US 118, e2101784118 (2021).
Kadapa, K. Maskinlæring til datalogi og ingeniørvidenskab – en kort introduktion og nogle centrale problemstillinger. Fortryk tilgængelig på https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., og Zanna, L. Komparativ analyse af maskinlæringsparametrisering af havundergitter i idealiserede modeller. J.Adv. Model. jordsystem. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., og Brandstetter, J. PDE-forfining: opnåelse af nøjagtige lange ekstrusioner med en neural PDE-løser. 37. konference om neurale informationsbehandlingssystemer (NeurIPS 2023).
Frachas, PR et al. Backpropagation-algoritme og reservoirberegning i tilbagevendende neurale netværk til forudsigelse af kompleks spatiotemporal dynamik. neural network. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. og Karniadakis, GE Fysik, datalogi, neurale netværk: en dyb læringsramme til løsning af fremadrettede og inverse problemer, der involverer ikke-lineære partielle differentialligninger. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., og Schönlieb, K.-B. Kan fysikbaserede neurale netværk overgå finite element-metoder? IMA J. Applications. mathematics. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., og Gómez-Romero, J. Fysikbaserede neurale netværk til datadrevet modellering: fordele, begrænsninger og muligheder. fysik. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA En empirisk rapport om fysikbaserede neurale netværk i fluidmodellering: faldgruber og skuffelser. Fortryk tilgængelig på https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. og Barba, LA. Prædiktive begrænsninger af fysisk informerede neurale netværk vedrørende hvirveldannelse. Fortryk tilgængeligt på https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., og Perdikaris, P. Hvornår og hvorfor pinner ikke træner: Et neuralt tangentkerneperspektiv. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., og Mahoney, MW Karakteristika for mulige fejltilstande i fysiske informationsneurale netværk. 35. konference om neurale informationsbehandlingssystemer bind 34, 26548–26560 (NeurIPS 2021).
Basir, S. og Senokak, I. En kritisk undersøgelse af fejltilstande i fysikbaserede neurale netværk. I AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. og Koumoutsakos P. Løsning af fysiske inverse problemer ved at optimere diskrete tab: hurtig og præcis læring uden neurale netværk. proces. National Academy of Sciences. videnskab. Nexus 3, pgae005 (2024).
Gundersen OE Grundlæggende principper for reproducerbarhed. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E og Pearson A. Systematiske reviews: en oversigt. Ja. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, og Rohde, K. Begrænsningsbevidste neurale netværk til Riemann-problemet. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ og Adams NA Datadrevet fysisk informeret finite volumenkredsløb til ikke-klassiske reducerede spændingschok. J. Computer. physics. 437, 110324 (2021).
Opslagstidspunkt: 29. september 2024