Täname teid Nature.com-i külastamise eest. Teie kasutataval brauseri versioonil on piiratud CSS-i tugi. Parima tulemuse saavutamiseks soovitame teil kasutada brauseri uuemat versiooni (või keelata Internet Exploreris ühilduvusrežiimi). Seni aga kuvame saiti ilma stiili ja JavaScriptita, et tagada pidev tugi.
Üks paljulubavamaid masinõppe rakendusi arvutusfüüsikas on osavõrrandite (PDE) kiirendatud lahendamine. Masinõppel põhineva osavõrrandite lahendaja peamine eesmärk on toota lahendusi, mis on piisavalt täpsed ja kiiremad kui standardsed numbrilised meetodid, et neid saaks kasutada võrdlusalusena. Esmalt viime läbi süstemaatilise ülevaate masinõppe kirjandusest osavõrrandite lahendamise kohta. Kõigist artiklitest, mis kirjeldavad masinõppe kasutamist voolavate osavõrrandite lahendamiseks ja väidavad selle paremust standardsete numbriliste meetodite ees, tuvastasime 79% (60/76) nõrkade baasväärtustega võrreldes. Teiseks leidsime tõendeid laialt levinud aruandluse kallutatuse kohta, eriti tulemuste aruandluse ja avaldamise kallutatuse osas. Järeldame, et masinõppe uuringud osavõrrandite lahendamise kohta on liiga optimistlikud: nõrgad sisendandmed võivad viia liiga positiivsete tulemusteni ja aruandluse kallutatus võib viia negatiivsete tulemuste alaesindamiseni. Suures osas näivad need probleemid olevat põhjustatud teguritest, mis sarnanevad varasemate reprodutseeritavuse kriisidega: uurija kaalutlusõigus ja positiivsete tulemuste kallutatus. Kutsume üles alt-üles suunatud kultuurilisi muutusi, et minimeerida kallutatud aruandlust, ja ülalt-alla suunatud struktuurireforme, et vähendada perversseid stiimuleid seda teha.
Süstemaatilise ülevaate tulemusena koostatud autorite ja artiklite nimekiri ning iga juhusliku valimisse kuuluva artikli klassifikatsioon on avalikult kättesaadav aadressil https://doi.org/10.17605/OSF.IO/GQ5B3 (viide 124).
Tabelis 2 esitatud tulemuste taasesitamiseks vajaliku koodi leiab GitHubist: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (viide 125) ja Code Oceanist: https://codeocean.com/capsule/9605539/Tree/v1 (link 126) ja https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Randall, D. ja Welser, K., Taastumatuskriis tänapäeva teaduses: põhjused, tagajärjed ja reformi teed (National Association of Scientists, 2018).
Ritchie, S. Ulme: kuidas pettus, eelarvamused, vaikimine ja hype õõnestavad tõe otsinguid (Vintage, 2020).
Avatud teaduskoostöö. Reprodutseeritavuse hindamine psühholoogiateaduses. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. ja Asadullah, K. Usu või ära usu: kui palju saame toetuda avaldatud andmetele potentsiaalsete ravimisihtmärkide kohta? Nat. Rev. „Ravimite avastamine.” 10, 712 (2011).
Begley, KG ja Ellis, LM. Eelkliiniliste vähiuuringute standardite tõstmine. Nature 483, 531–533 (2012).
A. Gelman ja E. Loken, Hargnevate radade aed: miks mitmed võrdlused on probleem isegi ilma kalapüügiretkede või p-häkkideta ning Eelnevalt formuleeritud uurimishüpoteesid, kd 348, 1–17 (Statistikaosakond, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. ja Shi, D. Masinõpe uue fundamentaalfüüsika otsingul. Nat. Physics Physics Doctor. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM ja Ahsan MJ. Masinõpe ravimite avastamises: ülevaade. Atif. Intel. Toim. 55, 1947–1999 (2022).
Mather, AS ja Coote, ML Süvaõpe keemias. J.Chemistry. Notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. ja Kohan I. Masinõpe meditsiinis. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. ja Stewart BM Masinõpe sotsiaalteadustes: agnostiline lähenemine. Õp. Ann Ball. Science. 24, 395–419 (2021).
Jump, J. jt. Tehke ülitäpseid valgu struktuuri ennustusi, kasutades alfavoltimist. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. ja Gil, Y. Masinõppe kordumatuse allikad: ülevaade. Eeltrükk on saadaval aadressil https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. ja Rahimi, A. Winneri needus? Empiiriliste tõendite kiirusest, edenemisest ja rangusest (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. ja Zobel, J. Mitteaditiivsed täiustused: esialgsed otsingutulemused alates 1998. aastast. 18. ACM-i teabe- ja teadmushalduse konverents 601–610 (ACM 2009).
Kapoor, S. ja Narayanan, A. Lekke- ja reprodutseeritavuse kriisid masinõppel põhinevas teaduses. Patterns, 4, 100804 (2023).
Kapoor S. jt. Reform: masinõppel põhinevad teadusaruandluse standardid. Eeltrükk on saadaval aadressil https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C. ja Recht, B. Mõttetud võrdlused võivad meditsiinilises masinõppes viia valeoptimismini. PloS ONE 12, e0184604 (2017).
Roberts, M. jt. Levinud lõksud ja parimad tavad masinõppe kasutamisel COVID-19 tuvastamiseks ja ennustamiseks rindkere röntgenipiltide ja kompuutertomograafia abil. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. jt. COVID-19 diagnoosimise ja prognoosimise ennustusmudelid: süstemaatiline ülevaade ja kriitiline hinnang. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS ja Pollard KS. Masinõppe genoomikas kasutamisega kaasnevate lõksude ületamine. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. jt. Masinõppe parimad tavad keemias. Nat. Chemical. 13, 505–508 (2021).
Brunton SL ja Kutz JN. Paljulubavad suunad osaliste diferentsiaalvõrrandite masinõppeks. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. ja Brunton, SL. Arvutusliku vedeliku dünaamika täiustamine masinõppe abil. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. jt. Teaduslik masinõpe füüsiliselt informeeritud närvivõrkude abil: kus me praegu oleme ja mis edasi. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. ja Xiao, H. Turbulentsi modelleerimine andmeajastul. Ann. 51, 357–377 (2019) parandatud väljaanne.
Durran, DR. Numbrilised meetodid lainevõrrandite lahendamiseks geofüüsikalises hüdrodünaamikas, kd 32 (Springer, 2013).
Mishra, S. Masinõppe raamistik diferentsiaalvõrrandite andmepõhise arvutamise kiirendamiseks. matemaatika. insener. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. jt. Masinõpe – arvutusliku vedeliku dünaamika kiirendamine. protsess. Riiklik Teaduste Akadeemia. teadus. US 118, e2101784118 (2021).
Kadapa, K. Masinõpe arvutiteaduses ja inseneriteaduses – lühike sissejuhatus ja mõned põhiküsimused. Eeltrükk on saadaval aadressil https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. ja Zanna, L. Masinõppel põhineva ookeani alamvõrgu parameetrite võrdlev analüüs idealiseeritud mudelites. J.Adv. Model. Earth System. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. ja Brandstetter, J. Osaliselt täpsete diferentsiaalvõrrandite (PDE) täpsustamine: täpsete pikkade ekstrusioonide saavutamine neuraalse PDE lahendajaga. 37. neuraalsete infotöötlussüsteemide konverents (NeurIPS 2023).
Frachas, PR jt. Tagasilevimise algoritm ja reservuaari arvutamine rekurrentsetes närvivõrkudes keeruka aegruumilise dünaamika ennustamiseks. Neural Network. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. ja Karniadakis, GE Physics, arvutiteadus, närvivõrgud: süvaõppe raamistik mittelineaarsete osavõrranditega seotud otse- ja pöördülesannete lahendamiseks. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. ja Schönlieb, K.-B. Kas füüsikapõhised närvivõrgud suudavad lõplike elementide meetoditest paremaid tulemusi saavutada? IMA J. Applications. mathematics. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M. ja Gómez-Romero, J. Füüsikapõhised närvivõrgud andmepõhiseks modelleerimiseks: eelised, piirangud ja võimalused. Füüsika. A 610, 128415 (2023).
Zhuang, P.-Y. ja Barba, LA. Empiiriline aruanne füüsikalistel alustel põhinevate närvivõrkude kohta vedelike modelleerimisel: lõksud ja pettumused. Eeltrükk on saadaval aadressil https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. ja Barba, LA. Füüsikaliselt informeeritud närvivõrkude ennustuslikud piirangud keeriste moodustumisel. Eeltrükk on saadaval aadressil https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. ja Perdikaris, P. Millal ja miks nõelad ei treeni: neuraalse puutuja tuuma perspektiiv. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. ja Mahoney, MW. Füüsilise informatsiooni närvivõrkude võimalike rikkerežiimide karakteristikud. 35. närviinfotöötlussüsteemide konverents, kd 34, 26548–26560 (NeurIPS 2021).
Basir, S. ja Senokak, I. Füüsikapõhiste närvivõrkude rikkerežiimide kriitiline uuring. AiAA SCITECH 2022 foorumis 2353 (ARK, 2022).
Karnakov P., Litvinov S. ja Koumoutsakos P. Füüsikaliste pöördülesannete lahendamine diskreetsete kadude optimeerimise teel: kiire ja täpne õppimine ilma närvivõrkudeta. protsess. Riiklik Teaduste Akadeemia. teadus. Nexus 3, pgae005 (2024).
Gundersen OE Reprodutseeritavuse põhiprintsiibid. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E ja Pearson A. Süstemaatilised ülevaated: ülevaade. Jah. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS ja Rohde, K. Piirangutundlikud närvivõrgud Riemanni probleemi jaoks. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ ja Adams NA Andmepõhine füüsikaliselt informeeritud lõpliku mahuga vooluring mitteklassikaliste vähendatud pingelöökide jaoks. J. Computer. physics. 437, 110324 (2021).
Postituse aeg: 29. september 2024