Gracias por visitar Nature.com. La versión de su navegador tiene compatibilidad limitada con CSS. Para obtener mejores resultados, le recomendamos usar una versión más reciente de su navegador (o desactivar el modo de compatibilidad en Internet Explorer). Mientras tanto, para garantizar la compatibilidad continua, mostramos el sitio sin estilos ni JavaScript.
Una de las aplicaciones más prometedoras del aprendizaje automático en la física computacional es la solución acelerada de ecuaciones diferenciales parciales (EDP). El objetivo principal de un solucionador de ecuaciones diferenciales parciales basado en aprendizaje automático es producir soluciones con la precisión suficiente, con mayor rapidez que los métodos numéricos estándar, para que sirvan como punto de referencia. En primer lugar, realizamos una revisión sistemática de la literatura sobre aprendizaje automático en la resolución de ecuaciones diferenciales parciales. De todos los artículos que informan sobre el uso de ML para resolver ecuaciones diferenciales parciales de fluidos y que afirman su superioridad sobre los métodos numéricos estándar, identificamos el 79 % (60/76) en comparación con puntos de referencia débiles. En segundo lugar, encontramos evidencia de un sesgo de informe generalizado, en particular en el informe de resultados y el sesgo de publicación. Concluimos que la investigación sobre aprendizaje automático en la resolución de ecuaciones diferenciales parciales es demasiado optimista: los datos de entrada débiles pueden conducir a resultados demasiado positivos, y el sesgo de informe puede llevar a la subnotificación de resultados negativos. En gran parte, estos problemas parecen deberse a factores similares a las crisis de reproducibilidad pasadas: la discreción del investigador y el sesgo de resultado positivo. Hacemos un llamado a un cambio cultural de abajo hacia arriba para minimizar la información sesgada y a una reforma estructural de arriba hacia abajo para reducir los incentivos perversos para hacerlo.
La lista de autores y artículos generada por la revisión sistemática, así como la clasificación de cada artículo en la muestra aleatoria, está disponible públicamente en https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124).
El código necesario para reproducir los resultados de la Tabla 2 se puede encontrar en GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) y en Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (enlace 126) y https://codeocean.com/capsule/0799002/tree/v1 (enlace 127).
Randall, D., y Welser, K., La crisis de irreproducibilidad en la ciencia moderna: causas, consecuencias y caminos para la reforma (Asociación Nacional de Científicos, 2018).
Ritchie, S. Ciencia ficción: cómo el fraude, el sesgo, el silencio y la exageración socavan la búsqueda de la verdad (Vintage, 2020).
Colaboración científica abierta. Evaluación de la reproducibilidad en la psicología. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. y Asadullah, K. Aunque parezca increíble: ¿Hasta qué punto podemos confiar en los datos publicados sobre posibles dianas farmacológicas? Nat. Rev. “El descubrimiento de fármacos”. 10, 712 (2011).
Begley, KG y Ellis, LM: Elevando los estándares en la investigación preclínica del cáncer. Nature 483, 531–533 (2012).
A. Gelman y E. Loken, El jardín de senderos que se bifurcan: por qué las comparaciones múltiples son un problema incluso sin “expediciones de pesca” o “p-hacks” e hipótesis de investigación preformadas, vol. 348, 1–17 (Departamento de Estadística, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. y Shi, D. Aprendizaje automático en busca de nueva física fundamental. Doctorado en Física. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM y Ahsan MJ. Aprendizaje automático en el descubrimiento de fármacos: una revisión. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS y Coote, ML. Aprendizaje profundo en química. J. Chemistry. Modelo. 59, 2545–2559 (2019).
Rajkomar A., Dean J. y Kohan I. Aprendizaje automático en medicina. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME y Stewart BM. Aprendizaje automático en ciencias sociales: un enfoque agnóstico. Rev. Ann Ball. Science. 24, 395–419 (2021).
Jump, J. et al. Realizar predicciones de estructura de proteínas con alta precisión mediante el método alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. y Gil, Y. Fuentes de irreproducibilidad en el aprendizaje automático: Una revisión. Preimpresión disponible en https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. y Rahimi, A. ¿La maldición del ganador? Sobre la velocidad, el progreso y el rigor de la evidencia empírica (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. y Zobel, J. Mejoras no aditivas: resultados preliminares de búsqueda desde 1998. 18ª Conferencia ACM sobre Gestión de la Información y el Conocimiento 601–610 (ACM 2009).
Kapoor, S. y Narayanan, A. Crisis de fugas y reproducibilidad en la ciencia basada en el aprendizaje automático. Patterns, 4, 100804 (2023).
Kapoor S. et al. Reforma: estándares de reporte científico basados en aprendizaje automático. Preimpresión disponible en https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C. y Recht, B. Las comparaciones sin sentido pueden generar un falso optimismo en el aprendizaje automático médico. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Errores comunes y mejores prácticas para usar el aprendizaje automático para detectar y predecir la COVID-19 a partir de radiografías de tórax y tomografías computarizadas. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Modelos predictivos para el diagnóstico y pronóstico de la COVID-19: una revisión sistemática y una evaluación crítica. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS y Pollard KS: Superando las dificultades del uso del aprendizaje automático en genómica. Pastora Nativa Ginette. 23, 169–181 (2022).
Atris N. et al. Mejores prácticas para el aprendizaje automático en química. Nat. Chemical. 13, 505–508 (2021).
Brunton SL y Kutz JN: Direcciones prometedoras para el aprendizaje automático de ecuaciones diferenciales parciales. Nat. Calculate. Science. 4, 483–494 (2024).
Vinuesa, R. y Brunton, SL. Mejora de la dinámica de fluidos computacional mediante aprendizaje automático. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. et al. Aprendizaje automático científico con redes neuronales con información física: Dónde estamos ahora y qué viene después. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., y Xiao, H. Modelado de turbulencia en la era de los datos. Edición revisada de Ann. 51, 357–377 (2019).
Durran, DR Métodos numéricos para resolver ecuaciones de ondas en hidrodinámica geofísica, vol. 32 (Springer, 2013).
Mishra, S. Un marco de aprendizaje automático para acelerar el cálculo basado en datos de ecuaciones diferenciales. Matemáticas. Ingeniero. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Aprendizaje automático: aceleración de la dinámica de fluidos computacional. Academia Nacional de Ciencias. Science. US 118, e2101784118 (2021).
Kadapa, K. Aprendizaje automático para informática e ingeniería: breve introducción y algunos aspectos clave. Preimpresión disponible en https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., y Zanna, L. Análisis comparativo de la parametrización de submallas oceánicas mediante aprendizaje automático en modelos idealizados. J.Adv. Model. Sistema terrestre. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. y Brandstetter, J. Refinamiento de PDE: lograr extrusiones largas precisas con un solucionador de PDE neuronal. 37.ª Conferencia sobre Sistemas de Procesamiento de Información Neuronal (NeurIPS 2023).
Frachas, PR et al. Algoritmo de retropropagación y cálculo de reservorios en redes neuronales recurrentes para predecir dinámicas espaciotemporales complejas. Red neuronal. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. y Karniadakis, GE Física, informática, redes neuronales: un marco de aprendizaje profundo para la resolución de problemas directos e inversos que involucran ecuaciones diferenciales parciales no lineales. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. y Schönlieb, K.-B. ¿Pueden las redes neuronales basadas en la física superar a los métodos de elementos finitos? IMA J. Aplicaciones matemáticas. 89, 143–174 (2024).
de la Mata, FF, Gijón, A., Molina-Solana, M., y Gómez-Romero, J. Redes neuronales basadas en física para modelado basado en datos: ventajas, limitaciones y oportunidades. Física. A 610, 128415 (2023).
Zhuang, P.-Y. y Barba, LA. Informe empírico sobre redes neuronales basadas en la física en el modelado de fluidos: dificultades y decepciones. Preimpresión disponible en https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. y Barba, LA. Limitaciones predictivas de las redes neuronales con información física en la formación de vórtices. Preimpresión disponible en https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. y Perdikaris, P. Cuándo y por qué los pinns no se entrenan: una perspectiva del núcleo tangente neuronal. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. y Mahoney, MW Características de los posibles modos de fallo en redes neuronales de información física. 35.ª Conferencia sobre Sistemas de Procesamiento de Información Neural, vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. y Senokak, I. Un estudio crítico de los modos de fallo en redes neuronales basadas en la física. En AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. y Koumoutsakos P. Resolución de problemas físicos inversos mediante la optimización de pérdidas discretas: aprendizaje rápido y preciso sin redes neuronales. Proceso. Academia Nacional de Ciencias. Ciencia. Nexus 3, pgae005 (2024).
Gundersen OE, Principios básicos de reproducibilidad. Phil. Cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E y Pearson A. Revisiones sistemáticas: una visión general. Sí. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, y Rohde, K. Redes neuronales conscientes de las restricciones para el problema de Riemann. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ y Adams NA. Circuito de volumen finito basado en datos, informado físicamente, para choques de voltaje reducido no clásicos. J. Computer. physics. 437, 110324 (2021).
Hora de publicación: 29 de septiembre de 2024