Dankon pro via vizito al Nature.com. La versio de retumilo, kiun vi uzas, havas limigitan subtenon por CSS. Por plej bonaj rezultoj, ni rekomendas, ke vi uzu pli novan version de via retumilo (aŭ malŝaltu la Kongruecan Reĝimon en Internet Explorer). Dume, por certigi daŭran subtenon, ni montras la retejon sen stiloj aŭ JavaScript.
Unu el la plej esperigaj aplikoj de maŝinlernado en komputa fiziko estas la akcelita solvado de partaj diferencialaj ekvacioj (EDE-oj). La ĉefa celo de maŝinlern-bazita partaj diferencialaj ekvacioj-solvilo estas produkti solvojn, kiuj estas sufiĉe precizaj pli rapide ol normaj numeraj metodoj por servi kiel bazlinia komparo. Ni unue faras sisteman revizion de la maŝinlernada literaturo pri solvado de partaj diferencialaj ekvacioj. El ĉiuj artikoloj raportantaj la uzon de ML por solvi fluidajn partajn diferencialajn ekvaciojn kaj asertantaj superecon super normaj numeraj metodoj, ni identigis 79% (60/76) kompare kun malfortaj bazlinioj. Due, ni trovis signojn de ĝeneraligita raporta biaso, precipe en rezulta raportado kaj publikiga biaso. Ni konkludas, ke maŝinlernada esplorado pri solvado de partaj diferencialaj ekvacioj estas tro optimisma: malfortaj enigaj datumoj povas konduki al tro pozitivaj rezultoj, kaj raporta biaso povas konduki al subraportado de negativaj rezultoj. Grandparte, ĉi tiuj problemoj ŝajnas esti kaŭzitaj de faktoroj similaj al pasintaj reprodukteblecaj krizoj: esplorista diskreteco kaj pozitiva rezulta biaso. Ni alvokas al desube supren kultura ŝanĝo por minimumigi biasan raportadon kaj desupran malsupren strukturan reformon por redukti perversajn instigojn fari tion.
La listo de aŭtoroj kaj artikoloj generita de la sistema revizio, same kiel la klasifiko de ĉiu artikolo en la hazarda specimeno, estas publike havebla ĉe https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124).
La kodo bezonata por reprodukti la rezultojn en Tabelo 2 troveblas ĉe GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) kaj ĉe Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (ligilo 126) kaj https://codeocean.com/capsule/0799002/tree/v1 (ligilo 127).
Randall, D., kaj Welser, K., La Krizo de Nereproduktebleco en Moderna Scienco: Kaŭzoj, Sekvoj kaj Vojoj por Reformo (Nacia Asocio de Sciencistoj, 2018).
Ritchie, S. Sciencfikcio: Kiel Fraŭdo, Biaso, Silento kaj Trompo Subfosas la Serĉadon de Vero (Vintage, 2020).
Malferma scienca kunlaboro. Takso de reproduktebleco en psikologia scienco. Scienco 349, AAAC4716 (2015).
Prinz, F., Schlange, T., kaj Asadullah, K. Kredu aŭ ne: Kiom ni povas fidi je publikigitaj datumoj pri eblaj drogoceloj? Nat. Rev. “The Discovery of Drugs.” 10, 712 (2011).
Begley, KG kaj Ellis, LM Pliigante normojn en antaŭklinika kanceresplorado. Nature 483, 531–533 (2012).
A. Gelman kaj E. Loken, La Ĝardeno de Disbranĉiĝantaj Padoj: Kial Multoblaj Komparoj estas Problemo Eĉ Sen "Fiŝkaptaj Ekspedicioj" aŭ "p-hakoj" kaj Antaŭformitaj Esplorhipotezoj, volumo 348, 1–17 (Statistika Fako, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., kaj Shi, D. Maŝinlernado serĉante novan fundamentan fizikon. Nat. Doktoro pri Filozofio en Fiziko. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM kaj Ahsan MJ. Maŝinlernado en medikamentmalkovro: recenzo. Atif. Intel. Eld. 55, 1947–1999 (2022).
Mather, AS kaj Coote, ML Profunda lernado en kemio. J. Chemistry. notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. kaj Kohan I. Maŝinlernado en medicino. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. kaj Stewart BM Maŝinlernado en sociaj sciencoj: agnostika aliro. Rev. Ann Ball. scienco. 24, 395–419 (2021).
Jump, J. et al. Faru tre precizajn antaŭdirojn de proteinstrukturo uzante alfa-faldon. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., kaj Gil, Y. Fontoj de nereproduktebleco en maŝinlernado: Recenzo. Antaŭpresaĵo havebla ĉe https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., kaj Rahimi, A. La malbeno de Winner? Pri la rapideco, progreso kaj rigoro de empiria evidenteco (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., kaj Zobel, J. Ne-aldonaj plibonigoj: preparaj serĉrezultoj ekde 1998. 18-a ACM-Konferenco pri Informo kaj Scio-Administrado 601–610 (ACM 2009).
Kapoor, S. kaj Narayanan, A. Elfluaj kaj reprodukteblaj krizoj en maŝinlernado-bazita scienco. Patterns, 4, 100804 (2023).
Kapoor S. et al. Reformo: sciencaj raportaj normoj bazitaj sur maŝinlernado. Antaŭpresaĵo havebla ĉe https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., kaj Recht, B. Sensencaj komparoj povas konduki al falsa optimismo en medicina maŝinlernado. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Oftaj kaptiloj kaj plej bonaj praktikoj por uzi maŝinlernadon por detekti kaj antaŭdiri COVID-19 el torakaj rentgenaj fotoj kaj komputita tomografio. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Prognozaj modeloj por la diagnozo kaj prognozo de COVID-19: sistema revizio kaj kritika takso. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS kaj Pollard KS Superante la kaptilojn de uzado de maŝinlernado en genomiko. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Plej bonaj praktikoj por maŝinlernado en kemio. Nat. Chemical. 13, 505–508 (2021).
Brunton SL kaj Kutz JN Promesplenaj direktoj por maŝinlernado de partaj diferencialaj ekvacioj. Nat. calcule. science. 4, 483–494 (2024).
Vinuesa, R. kaj Brunton, SL Plibonigante komputan fluidodinamikon per maŝinlernado. Nat. calcule. science. 2, 358–366 (2022).
Comeau, S. et al. Scienca maŝinlernado per fizike informitaj neŭralaj retoj: Kie ni estas nun kaj kio sekvas. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., kaj Xiao, H. Turbuleca modelado en la datum-epoko. Reviziita eldono de Ann. 51, 357–377 (2019).
Durran, DR Numerical methods for solve of wave equations in geophysical hydrodynamics, vol. 32 (Springer, 2013).
Mishra, S. Maŝinlernada kadro por akceli daten-movitan komputadon de diferencialaj ekvacioj. matematiko. inĝeniero. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Maŝinlernado - akcelo de komputila fluidodinamiko. procezo. Nacia Akademio de Sciencoj. scienco. Usono 118, e2101784118 (2021).
Kadapa, K. Maŝinlernado por komputiko kaj inĝenierarto - mallonga enkonduko kaj kelkaj ŝlosilaj temoj. Antaŭpresaĵo havebla ĉe https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., kaj Zanna, L. Kompara analizo de maŝinlernada oceana subreta parametrigo en idealigitaj modeloj. J.Adv. Model. Tera sistemo. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., kaj Brandstetter, J. Rafinado de PDE-oj: atingante precizajn longajn eltrudadojn per neŭrala PDE-solvilo. 37-a Konferenco pri Neŭralaj Informaj Prilaboraj Sistemoj (NeurIPS 2023).
Frachas, PR et al. Algoritmo de retrodisvastigo kaj kalkulo de rezervujo en ripetiĝantaj neŭralaj retoj por antaŭdiri kompleksajn spactempajn dinamikojn. neŭrala reto. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. kaj Karniadakis, GE Fiziko, komputiko, neŭralaj retoj: profunda lernada kadro por solvi antaŭenajn kaj inversajn problemojn implikantajn nelinearajn partajn diferencialajn ekvaciojn. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., kaj Schönlieb, K.-B. Ĉu fizik-bazitaj neŭralaj retoj povas superi finiajn elementajn metodojn? IMA J. Aplikoj. matematiko. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., kaj Gómez-Romero, J. Fizik-bazitaj neŭralaj retoj por daten-movita modelado: avantaĝoj, limigoj kaj ŝancoj. fiziko. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Empiria raporto pri fizik-bazitaj neŭralaj retoj en fluida modelado: kaptiloj kaj seniluziiĝoj. Antaŭpresaĵo havebla ĉe https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. kaj Barba, LA. Antaŭdiraj limigoj de fizike informitaj neŭralaj retoj pri vortica formado. Antaŭpresaĵo havebla ĉe https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., kaj Perdikaris, P. Kiam kaj kial stiftoj ne trejniĝas: Perspektivo de neŭra tangenta nukleo. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., kaj Mahoney, MW Karakterizaĵoj de eblaj fiaskaj reĝimoj en fizikaj informaj neŭralaj retoj. 35-a Konferenco pri Neŭralaj Informaj Prilaboraj Sistemoj Vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. kaj Senokak, I. Kritika studo pri fiaskaj reĝimoj en fizik-bazitaj neŭralaj retoj. En AiAA SCITECH 2022 Forumo 2353 (ARK, 2022).
Karnakov P., Litvinov S. kaj Koumoutsakos P. Solvante fizikajn inversajn problemojn per optimumigo de diskretaj perdoj: rapida kaj preciza lernado sen neŭralaj retoj. procezo. Nacia Akademio de Sciencoj. scienco. Nexus 3, pgae005 (2024).
Gundersen OE Bazaj principoj de reproduktebleco. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E kaj Pearson A. Sistemaj recenzoj: superrigardo. Jes. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, kaj Rohde, K. Lim-konsciaj neŭralaj retoj por la Riemann-problemo. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ kaj Adams NA Daten-movita fizike informita finia volumena cirkvito por ne-klasikaj reduktitaj tensioŝokoj. J. Computer. physics. 437, 110324 (2021).
Afiŝtempo: 29-a de septembro 2024