Σας ευχαριστούμε που επισκεφθήκατε το Nature.com. Η έκδοση του προγράμματος περιήγησης που χρησιμοποιείτε έχει περιορισμένη υποστήριξη CSS. Για καλύτερα αποτελέσματα, συνιστούμε να χρησιμοποιήσετε μια νεότερη έκδοση του προγράμματος περιήγησής σας (ή να απενεργοποιήσετε τη Λειτουργία συμβατότητας στον Internet Explorer). Εν τω μεταξύ, για να διασφαλίσουμε τη συνεχή υποστήριξη, εμφανίζουμε τον ιστότοπο χωρίς στυλ ή JavaScript.
Μία από τις πιο πολλά υποσχόμενες εφαρμογές της μηχανικής μάθησης στην υπολογιστική φυσική είναι η επιταχυνόμενη επίλυση μερικών διαφορικών εξισώσεων (ΜΔΕ). Ο κύριος στόχος ενός επιλυτή μερικών διαφορικών εξισώσεων που βασίζεται στη μηχανική μάθηση είναι να παράγει λύσεις που είναι αρκετά ακριβείς και γρηγορότερες από τις τυπικές αριθμητικές μεθόδους, ώστε να χρησιμεύσουν ως σύγκριση βάσης. Αρχικά, διεξάγουμε μια συστηματική ανασκόπηση της βιβλιογραφίας μηχανικής μάθησης σχετικά με την επίλυση μερικών διαφορικών εξισώσεων. Από όλες τις εργασίες που αναφέρουν τη χρήση της Μηχανικής Μάθησης (ML) για την επίλυση ρευστών μερικών διαφορικών εξισώσεων και ισχυρίζονται ανωτερότητα έναντι των τυπικών αριθμητικών μεθόδων, εντοπίσαμε το 79% (60/76) σε σύγκριση με αδύναμες βασικές γραμμές. Δεύτερον, βρήκαμε στοιχεία εκτεταμένης μεροληψίας αναφοράς, ιδιαίτερα στην αναφορά αποτελεσμάτων και στη μεροληψία δημοσίευσης. Καταλήγουμε στο συμπέρασμα ότι η έρευνα μηχανικής μάθησης για την επίλυση μερικών διαφορικών εξισώσεων είναι υπερβολικά αισιόδοξη: τα αδύναμα δεδομένα εισόδου μπορούν να οδηγήσουν σε υπερβολικά θετικά αποτελέσματα και η μεροληψία αναφοράς μπορεί να οδηγήσει σε υποαναφορά αρνητικών αποτελεσμάτων. Σε μεγάλο βαθμό, αυτά τα προβλήματα φαίνεται να προκαλούνται από παράγοντες παρόμοιους με προηγούμενες κρίσεις αναπαραγωγιμότητας: διακριτική ευχέρεια του ερευνητή και μεροληψία θετικού αποτελέσματος. Ζητούμε αλλαγή κουλτούρας από κάτω προς τα πάνω για την ελαχιστοποίηση της μεροληπτικής αναφοράς και δομική μεταρρύθμιση από πάνω προς τα κάτω για τη μείωση των στρεβλωμένων κινήτρων για να το πράξουμε.
Η λίστα των συγγραφέων και των άρθρων που δημιουργήθηκαν από τη συστηματική ανασκόπηση, καθώς και η ταξινόμηση κάθε άρθρου στο τυχαίο δείγμα, είναι δημόσια διαθέσιμη στη διεύθυνση https://doi.org/10.17605/OSF.IO/GQ5B3 (αναφ. 124).
Ο κώδικας που απαιτείται για την αναπαραγωγή των αποτελεσμάτων στον Πίνακα 2 μπορεί να βρεθεί στο GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (αναφ. 125) και στο Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (σύνδεσμος 126) και https://codeocean.com/capsule/0799002/tree/v1 (σύνδεσμος 127).
Randall, D., και Welser, K., Η Κρίση Μη Αναπαραγωγιμότητας στη Σύγχρονη Επιστήμη: Αιτίες, Συνέπειες και Μονοπάτια Μεταρρύθμισης (Εθνική Ένωση Επιστημόνων, 2018).
Ritchie, S. Επιστημονική Φαντασία: Πώς η Απάτη, η Προκατάληψη, η Σιωπή και η Υπερβολική Φαντασία Υπονομεύουν την Αναζήτηση της Αλήθειας (Vintage, 2020).
Ανοικτή επιστημονική συνεργασία. Αξιολόγηση της αναπαραγωγιμότητας στην ψυχολογική επιστήμη. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., και Asadullah, K. Πιστέψτε το ή όχι: Πόσο μπορούμε να βασιστούμε σε δημοσιευμένα δεδομένα σχετικά με πιθανούς στόχους φαρμάκων; Nat. Rev. “The Discovery of Drugs.” 10, 712 (2011).
Begley, KG και Ellis, LM Αύξηση των προτύπων στην προκλινική έρευνα για τον καρκίνο. Nature 483, 531–533 (2012).
A. Gelman και E. Loken, Ο Κήπος με τα Διακλαδούμενα Μονοπάτια: Γιατί οι Πολλαπλές Συγκρίσεις Είναι Πρόβλημα Ακόμα και Χωρίς «Αλιευτικές Αποστολές» ή «p-hacks» και Preformed Research Hypotheses, τόμος 348, 1–17 (Τμήμα Στατιστικής, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., και Shi, D. Μηχανική μάθηση στην αναζήτηση νέας θεμελιώδους φυσικής. Εθνικό Διδακτορικό στη Φυσική. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM και Ahsan MJ. Μηχανική μάθηση στην ανακάλυψη φαρμάκων: μια ανασκόπηση. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS και Coote, ML Βαθιά μάθηση στη χημεία. J.Chemistry. notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. και Kohan I. Μηχανική μάθηση στην ιατρική. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. και Stewart BM Μηχανική μάθηση στις κοινωνικές επιστήμες: μια αγνωστικιστική προσέγγιση. Rev. Ann Ball. science. 24, 395–419 (2021).
Jump, J. et al. Κάντε προβλέψεις υψηλής ακρίβειας για τη δομή πρωτεϊνών χρησιμοποιώντας alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., και Gil, Y. Πηγές μη αναπαραγωγιμότητας στη μηχανική μάθηση: Μια ανασκόπηση. Προδημοσίευση διαθέσιμη στη διεύθυνση https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., και Rahimi, A. Η κατάρα του νικητή; Σχετικά με την ταχύτητα, την πρόοδο και την αυστηρότητα των εμπειρικών δεδομένων (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., και Zobel, J. Μη προσθετικές βελτιώσεις: προκαταρκτικά αποτελέσματα αναζήτησης από το 1998. 18ο Συνέδριο ACM για τη Διαχείριση Πληροφοριών και Γνώσης 601–610 (ACM 2009).
Kapoor, S. και Narayanan, A. Κρίσεις διαρροής και αναπαραγωγιμότητας στην επιστήμη που βασίζεται στη μηχανική μάθηση. Patterns, 4, 100804 (2023).
Kapoor S. et al. Μεταρρύθμιση: πρότυπα επιστημονικής αναφοράς βασισμένα στη μηχανική μάθηση. Προέκδοση διαθέσιμη στη διεύθυνση https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., και Recht, B. Οι άσκοπες συγκρίσεις μπορούν να οδηγήσουν σε ψευδή αισιοδοξία στην ιατρική μηχανική μάθηση. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Συνήθεις παγίδες και βέλτιστες πρακτικές για τη χρήση μηχανικής μάθησης για την ανίχνευση και την πρόβλεψη της COVID-19 από ακτινογραφίες θώρακος και αξονική τομογραφία. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Προγνωστικά μοντέλα για τη διάγνωση και την πρόγνωση της COVID-19: μια συστηματική ανασκόπηση και κριτική αξιολόγηση. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS και Pollard KS Ξεπερνώντας τις παγίδες της χρήσης μηχανικής μάθησης στη γονιδιωματική. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Βέλτιστες πρακτικές για τη μηχανική μάθηση στη χημεία. Nat. Chemical. 13, 505–508 (2021).
Brunton SL και Kutz JN Υποσχόμενες κατευθύνσεις για τη μηχανική μάθηση μερικών διαφορικών εξισώσεων. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. και Brunton, SL Βελτίωση της υπολογιστικής ρευστοδυναμικής μέσω της μηχανικής μάθησης. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. et al. Επιστημονική μηχανική μάθηση με φυσικά ενημερωμένα νευρωνικά δίκτυα: Πού βρισκόμαστε τώρα και τι ακολουθεί. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., και Xiao, H. Μοντελοποίηση αναταράξεων στην εποχή των δεδομένων. Αναθεωρημένη έκδοση του Ann. 51, 357–377 (2019).
Durran, DR Αριθμητικές μέθοδοι για την επίλυση κυματικών εξισώσεων στη γεωφυσική υδροδυναμική, τόμος 32 (Springer, 2013).
Mishra, S. Ένα πλαίσιο μηχανικής μάθησης για την επιτάχυνση του υπολογισμού διαφορικών εξισώσεων που βασίζεται σε δεδομένα. μαθηματικά. μηχανικός. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Μηχανική μάθηση – επιτάχυνση της υπολογιστικής ρευστοδυναμικής. διεργασία. Εθνική Ακαδημία Επιστημών. επιστήμη. US 118, e2101784118 (2021).
Kadapa, K. Μηχανική μάθηση για την επιστήμη και τη μηχανική υπολογιστών – μια σύντομη εισαγωγή και ορισμένα βασικά ζητήματα. Προδημοσίευση διαθέσιμη στη διεύθυνση https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., και Zanna, L. Συγκριτική ανάλυση της παραμετροποίησης υποπλέγματος ωκεανού με μηχανική μάθηση σε ιδανικά μοντέλα. J.Adv. Μοντέλο. γήινο σύστημα. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., και Brandstetter, J. Βελτίωση ΜΔΕ: επίτευξη ακριβών μακρών εξωθήσεων με έναν νευρωνικό επιλυτή ΜΔΕ. 37ο Συνέδριο Νευρωνικών Συστημάτων Επεξεργασίας Πληροφοριών (NeurIPS 2023).
Frachas, PR et al. Αλγόριθμος οπισθοδιάδοσης και υπολογισμός δεξαμενής σε επαναλαμβανόμενα νευρωνικά δίκτυα για την πρόβλεψη σύνθετων χωροχρονικών δυναμικών. νευρωνικό δίκτυο. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. και Karniadakis, GE Φυσική, επιστήμη υπολογιστών, νευρωνικά δίκτυα: ένα πλαίσιο βαθιάς μάθησης για την επίλυση προβλημάτων ορθής και αντίστροφης προσέγγισης που περιλαμβάνουν μη γραμμικές μερικές διαφορικές εξισώσεις. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., και Schönlieb, K.-B. Μπορούν τα νευρωνικά δίκτυα που βασίζονται στη φυσική να ξεπεράσουν τις μεθόδους πεπερασμένων στοιχείων; IMA J. Applications. mathematics. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., και Gómez-Romero, J. Νευρωνικά δίκτυα βασισμένα στη φυσική για μοντελοποίηση βάσει δεδομένων: πλεονεκτήματα, περιορισμοί και ευκαιρίες. physics. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Μια εμπειρική αναφορά σε νευρωνικά δίκτυα που βασίζονται στη φυσική στη μοντελοποίηση ρευστών: παγίδες και απογοητεύσεις. Προδημοσίευση διαθέσιμη στη διεύθυνση https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. και Barba, LA Προγνωστικοί περιορισμοί των φυσικά ενημερωμένων νευρωνικών δικτύων στον σχηματισμό στροβίλων. Προδημοσίευση διαθέσιμη στη διεύθυνση https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., και Perdikaris, P. Πότε και γιατί οι pinns αποτυγχάνουν να εκπαιδευτούν: Μια οπτική γωνία του νευρωνικού εφαπτομενικού πυρήνα. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., και Mahoney, MW Χαρακτηριστικά πιθανών τρόπων αστοχίας σε φυσικά νευρωνικά δίκτυα πληροφοριών. 35ο Συνέδριο για τα Νευρωνικά Συστήματα Επεξεργασίας Πληροφοριών Τόμος 34, 26548–26560 (NeurIPS 2021).
Basir, S. και Senokak, I. Μια κριτική μελέτη των τρόπων αστοχίας σε νευρωνικά δίκτυα που βασίζονται στη φυσική. Στο AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. και Koumoutsakos P. Επίλυση φυσικών αντίστροφων προβλημάτων βελτιστοποιώντας διακριτές απώλειες: γρήγορη και ακριβής μάθηση χωρίς νευρωνικά δίκτυα. διαδικασία. Εθνική Ακαδημία Επιστημών. επιστήμη. Nexus 3, pgae005 (2024).
Gundersen OE Βασικές αρχές αναπαραγωγιμότητας. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E και Pearson A. Συστηματικές ανασκοπήσεις: μια επισκόπηση. Ναι. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, και Rohde, K. Νευρωνικά δίκτυα με επίγνωση περιορισμών για το πρόβλημα Riemann. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ και Adams NA Κύκλωμα πεπερασμένου όγκου με βάση δεδομένα, φυσικά ενημερωμένο, για μη κλασικά σοκ μειωμένης τάσης. J. Computer. physics. 437, 110324 (2021).
Ώρα δημοσίευσης: 29 Σεπτεμβρίου 2024