Eskerrik asko Nature.com bisitatzeagatik. Erabiltzen ari zaren nabigatzailearen bertsioak CSS euskarri mugatua du. Emaitza onenak lortzeko, gomendatzen dizugu zure nabigatzailearen bertsio berriago bat erabiltzea (edo Internet Explorer-en bateragarritasun modua desgaitzea). Bitartean, etengabeko laguntza bermatzeko, gunea estilo edo JavaScript gabe erakusten ari gara.
Fisika konputazionalean ikaskuntza automatikoaren aplikazio itxaropentsuenetako bat ekuazio diferentzial partzialen (EDP) ebazpen bizkortua da. Ikaskuntza automatikoan oinarritutako ekuazio diferentzial partzialen ebazle baten helburu nagusia metodo numeriko estandarrak baino nahikoa zehatzak diren ebazpenak sortzea da, oinarrizko konparazio gisa balio dezaten. Lehenik eta behin, ekuazio diferentzial partzialen ebazpenari buruzko ikaskuntza automatikoaren literaturaren berrikuspen sistematiko bat egiten dugu. MLren erabilera fluidoen ekuazio diferentzial partzialak ebazteko eta metodo numeriko estandarren aldean nagusitasuna aldarrikatzen duten artikulu guztien artean, % 79 (60/76) identifikatu ditugu oinarrizko puntu ahulekin alderatuta. Bigarrenik, txostenen alborapen zabalaren ebidentzia aurkitu dugu, batez ere emaitzen txostenetan eta argitalpenen alborapenean. Ondorioztatzen dugu ekuazio diferentzial partzialen ebazpenari buruzko ikaskuntza automatikoaren ikerketa oso baikorra dela: sarrera-datu ahulek emaitza oso positiboak ekar ditzakete, eta txostenen alborapenak emaitza negatiboen gutxiegizko txostena ekar dezake. Neurri handi batean, arazo hauek iraganeko erreproduzigarritasun-krisien antzeko faktoreek eragiten dituztela dirudi: ikertzailearen diskrezioa eta emaitza positiboaren alborapena. Behetik gorako kultura-aldaketa eskatzen dugu txosten alboratuak minimizatzeko eta goitik beherako egitura-erreforma horretarako pizgarri perbertsoak murrizteko.
Berrikuspen sistematikoak sortutako egileen eta artikuluen zerrenda, baita ausazko lagineko artikulu bakoitzaren sailkapena ere, publikoki eskuragarri daude https://doi.org/10.17605/OSF.IO/GQ5B3 helbidean (124. erreferentzia).
2. taulan agertzen diren emaitzak erreproduzitzeko behar den kodea GitHub-en aurki daiteke: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (125. erreferentzia) eta Code Ocean-en: https://codeocean.com/capsule/9605539/Tree/ v1 (126. esteka) eta https://codeocean.com/capsule/0799002/tree/v1 (127. esteka).
Randall, D., eta Welser, K., Erreproduzigarritasun-krisia zientzia modernoan: arrazoiak, ondorioak eta erreformarako bideak (Zientzialarien Elkarte Nazionala, 2018).
Ritchie, S. Zientzia fikzioa: Nola iruzurrak, alborapenak, isiltasunak eta publizitateak egiaren bilaketa ahultzen duten (Vintage, 2020).
Zientzia-lankidetza irekia. Erreproduzigarritasuna ebaluatzea zientzia psikologikoan. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., eta Asadullah, K. Sinistu ala ez: Zenbateraino fidatu gaitezke sendagaien jomuga potentzialei buruzko argitaratutako datuetan? Nat. Rev. “The Discovery of Drugs.” 10, 712 (2011).
Begley, KG eta Ellis, LM Minbiziaren ikerketa preklinikoan estandarrak igotzea. Nature 483, 531–533 (2012).
A. Gelman eta E. Loken, Bide Bikoitzen Lorategia: Zergatik diren Konparaketa Anizkoitzak Arazo bat “Arrantza Espediziorik” edo “p-hack-ik” gabe ere eta Aurrez Aurrez Egindako Ikerketa Hipotesiak, 348. liburukia, 1–17 (Estatistika Saila, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., eta Shi, D. Makina-ikaskuntza oinarrizko fisika berriaren bila. Fisikan Filosofia Doktore Nazionala. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM eta Ahsan MJ. Makina-ikaskuntza sendagaien aurkikuntzan: berrikuspena. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS eta Coote, ML Kimikako ikaskuntza sakona. J. Chemistry. Notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. eta Kohan I. Makina-ikaskuntza medikuntzan. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. eta Stewart BM Makina-ikaskuntza gizarte-zientzietan: ikuspegi agnostiko bat. Ann Ball erreberendoa. zientzia. 24, 395–419 (2021).
Jump, J. et al. Egin proteina-egituraren iragarpen oso zehatzak alfa-fold erabiliz. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., eta Gil, Y. Erreproduzigarritasun iturriak ikaskuntza automatikoan: berrikuspena. Aurreinprimaketa eskuragarri https://arxiv.org/abs/2204.07610 (2022) helbidean.
Scully, D., Snook, J., Wiltschko, A., eta Rahimi, A. Irabazlearen madarikazioa? Ebidentzia enpirikoaren abiadurari, aurrerapenari eta zorroztasunari buruz (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., eta Zobel, J. Gehigarriak ez diren hobekuntzak: 1998tik aurrerako bilaketaren aurretiazko emaitzak. Informazio eta Ezagutza Kudeaketari buruzko 18. ACM Konferentzia 601–610 (ACM 2009).
Kapoor, S. eta Narayanan, A. Ihes eta erreproduzigarritasun krisiak makina ikaskuntzan oinarritutako zientzian. Patterns, 4, 100804 (2023).
Kapoor S. et al. Erreforma: ikaskuntza automatikoan oinarritutako txosten zientifikoen estandarrak. Aurreinprimaketa eskuragarri hemen: https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., eta Recht, B. Konparazio zentzugabeek baikortasun faltsua sor dezakete ikaskuntza automatiko medikoan. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Ohiko tranpak eta jardunbide egokiak makina-ikaskuntza erabiliz COVID-19 detektatu eta aurreikusteko toraxeko erradiografia eta tomografia konputatu bidez. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. COVID-19aren diagnostiko eta pronostikorako aurreikuspen-ereduak: berrikuspen sistematikoa eta ebaluazio kritikoa. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS eta Pollard KS Makina-ikaskuntza genomikan erabiltzearen oztopoak gainditzea. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Kimikako ikaskuntza automatikorako jardunbide egokiak. Nat. Chemical. 13, 505–508 (2021).
Brunton SL eta Kutz JN Ekuazio deribatu partzialen ikaskuntza automatikorako norabide itxaropentsuak. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. eta Brunton, SL Fluidoen dinamika konputazionala hobetzea ikaskuntza automatikoaren bidez. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. et al. Makina-ikaskuntza zientifikoa sare neuronal fisikoki informatuekin: Non gaude orain eta zer dator orain. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., eta Xiao, H. Turbulentziaren modelizazioa datuen aroan. Ann. 51, 357–377 (2019) aldizkariaren edizio berrikusia.
Durran, DR Geofisikako hidrodinamikan uhin-ekuazioak ebazteko metodo numerikoak, 32. liburukia (Springer, 2013).
Mishra, S. Ekuazio diferentzialen datuetan oinarritutako kalkulua bizkortzeko makina-ikaskuntzako esparru bat. matematika. ingeniaria. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Makina-ikaskuntza – fluidoen dinamika konputazionalaren azelerazioa. prozesua. Zientzien Akademia Nazionala. zientzia. US 118, e2101784118 (2021).
Kadapa, K. Makina-ikaskuntza informatika eta ingeniaritzarako – sarrera laburra eta zenbait gai nagusi. Aurreinprimaketa eskuragarri hemen: https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., eta Zanna, L. Makina-ikaskuntzako ozeano azpisareen parametrizazioaren analisi konparatiboa eredu idealizatuetan. J.Adv. Model. lur-sistema. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., eta Brandstetter, J. PDE fintzea: estrusio luze zehatzak lortzea PDE ebazle neuronal batekin. Informazio Neuronalaren Prozesatzeko Sistemen 37. Konferentzia (NeurIPS 2023).
Frachas, PR et al. Atzeranzko hedapen algoritmoa eta urtegien kalkulua sare neuronal errepikarietan espazio-tenporal dinamika konplexuak aurreikusteko. sare neuronal. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. eta Karniadakis, GE Fisika, informatika, sare neuronalak: ikaskuntza sakoneko esparru bat ekuazio diferentzial partzial ez-linealak dituzten aurreranzko eta alderantzizko problemak ebazteko. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., eta Schönlieb, K.-B. Fisikan oinarritutako sare neuronalek elementu finituen metodoak gainditu al ditzakete? IMA J. Aplikazioak. matematika. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., eta Gómez-Romero, J. Fisika oinarri duten sare neuronalak datuetan oinarritutako modelizaziorako: abantailak, mugak eta aukerak. fisika. A 610, 128415 (2023).
Zhuang, P.-Y. eta Barba, LA Txosten enpirikoa fluidoen modelizazioan fisikan oinarritutako sare neuronalei buruz: tranpak eta etsipenak. Aurreinprimaketa eskuragarri hemen: https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. eta Barba, LA Sare neuronal fisikoki informatuen mugak zurrunbiloen eraketan. Aurreinprimaketa eskuragarri hemen: https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., eta Perdikaris, P. Noiz eta zergatik huts egiten duten pinek entrenatzen: Nukleo ukitzaile neuronalaren ikuspegia. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., eta Mahoney, MW Informazio fisikoko sare neuronaletan izan daitezkeen hutsegite moduen ezaugarriak. Informazio Neuronalaren Prozesatzeko Sistemen 35. Konferentzia 34. liburukia, 26548–26560 (NeurIPS 2021).
Basir, S. eta Senokak, I. Fisikan oinarritutako sare neuronalen hutsegite moduen azterketa kritikoa. AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. eta Koumoutsakos P. Alderantzizko arazo fisikoak ebaztea galera diskretuak optimizatuz: ikaskuntza azkarra eta zehatza sare neuronalik gabe. prozesua. Zientzien Akademia Nazionala. zientzia. Nexus 3, pgae005 (2024).
Gundersen OE Erreproduzigarritasunaren oinarrizko printzipioak. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E eta Pearson A. Berrikuspen sistematikoak: ikuspegi orokorra. Bai. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, eta Rohde, K. Murrizketen araberako sare neuronalak Riemann arazorako. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ eta Adams NA Datuetan oinarritutako fisikoki informatutako bolumen finituko zirkuitua tentsio murriztuko deskarga ez-klasikoetarako. J. Computer. physics. 437, 110324 (2021).
Argitaratze data: 2024ko irailaren 29a