Kiitos, että kävit Nature.com-sivustolla. Käyttämäsi selainversio tukee CSS:ää rajoitetusti. Parhaan tuloksen saavuttamiseksi suosittelemme, että käytät uudempaa selainversiota (tai poistat yhteensopivuustilan käytöstä Internet Explorerissa). Sillä välin näytämme sivuston ilman tyylittelyä tai JavaScriptiä jatkuvan tuen varmistamiseksi.
Yksi lupaavimmista koneoppimisen sovelluksista laskennallisessa fysiikassa on osittaisdifferentiaaliyhtälöiden (PDE) nopeutettu ratkaiseminen. Koneoppimiseen perustuvan osittaisdifferentiaaliyhtälöiden ratkaisijan päätavoitteena on tuottaa ratkaisuja, jotka ovat riittävän tarkkoja ja nopeampia kuin tavanomaiset numeeriset menetelmät, jotta niitä voidaan käyttää vertailukohtana. Ensin teemme systemaattisen katsauksen koneoppimisen kirjallisuuteen osittaisdifferentiaaliyhtälöiden ratkaisemisesta. Kaikista artikkeleista, joissa raportoidaan koneoppimisen käytöstä nestemäisten osittaisdifferentiaaliyhtälöiden ratkaisemiseen ja väitetään sen olevan paremman kuin tavanomaiset numeeriset menetelmät, tunnistimme 79 %:ssa (60/76) heikkoja lähtötasoja. Toiseksi löysimme todisteita laajalle levinneestä raportointiharhasta, erityisesti tulosraportoinnin ja julkaisuharhan osalta. Päädymme siihen, että koneoppimistutkimus osittaisdifferentiaaliyhtälöiden ratkaisemisesta on liian optimistista: heikot syöttötiedot voivat johtaa liian positiivisiin tuloksiin, ja raportointiharha voi johtaa negatiivisten tulosten aliraportointiin. Suurelta osin nämä ongelmat näyttävät johtuvan samanlaisista tekijöistä kuin aiemmat toistettavuuskriisit: tutkijan harkintavalta ja positiivinen tulosharha. Vaadimme alhaalta ylöspäin suuntautuvaa kulttuurimuutosta vinoutuneen raportoinnin minimoimiseksi ja ylhäältä alaspäin suuntautuvaa rakenteellista uudistusta vääristyneiden kannustimien vähentämiseksi.
Systemaattisen katsauksen tuottama luettelo kirjoittajista ja artikkeleista sekä satunnaisotoksen kunkin artikkelin luokittelu on julkisesti saatavilla osoitteessa https://doi.org/10.17605/OSF.IO/GQ5B3 (viite 124).
Taulukossa 2 esitettyjen tulosten toistamiseen tarvittava koodi löytyy GitHubista: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (viite 125) ja Code Oceanista: https://codeocean.com/capsule/9605539/Tree/v1 (linkki 126) ja https://codeocean.com/capsule/0799002/tree/v1 (linkki 127).
Randall, D. ja Welser, K., Toistumattomuuskriisi modernissa tieteessä: syyt, seuraukset ja uudistuspolut (National Association of Scientists, 2018).
Ritchie, S. Tieteiskirjallisuus: Kuinka petos, ennakkoluulot, hiljaisuus ja hype heikentävät totuuden etsintää (Vintage, 2020).
Avoin tieteellinen yhteistyö. Toistettavuuden arviointi psykologian tieteessä. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., ja Asadullah, K. Usko tai älä: Kuinka paljon voimme luottaa julkaistuihin tietoihin potentiaalisista lääkekohteista? Nat. Rev. ”The Discovery of Drugs.” 10, 712 (2011).
Begley, KG ja Ellis, LM Prekliinisen syöpätutkimuksen standardien nostaminen. Nature 483, 531–533 (2012).
A. Gelman ja E. Loken, Haarautuvien polkujen puutarha: Miksi useat vertailut ovat ongelma jopa ilman "kalastusretkiä" tai "p-hakkerointeja" ja Preformed Research Hypotheses, nro 348, 1–17 (Tilastotieteiden laitos, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. ja Shi, D. Koneoppiminen uuden perusfysiikan etsinnässä. Nat. Physics. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM ja Ahsan MJ. Koneoppiminen lääkekehityksessä: katsaus. Atif. Intel. Toim. 55, 1947–1999 (2022).
Mather, AS ja Coote, ML. Syväoppiminen kemiassa. J.Chemistry. notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. ja Kohan I. Koneoppiminen lääketieteessä. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. ja Stewart BM Koneoppiminen yhteiskuntatieteissä: agnostinen lähestymistapa. Pastori Ann Ball. Science. 24, 395–419 (2021).
Jump, J. ym. Tee erittäin tarkkoja proteiinirakenteen ennusteita käyttämällä alfataittoa. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. ja Gil, Y. Koneoppimisen toistumattomuuden lähteet: Katsaus. Esipainos saatavilla osoitteessa https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., ja Rahimi, A. Voittajan kirous? Empiirisen todistusaineiston nopeudesta, edistyksestä ja tarkkuudesta (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. ja Zobel, J. Ei-additiiviset parannukset: alustavat hakutulokset vuodesta 1998 lähtien. 18. ACM:n tiedon- ja tiedonhallinnan konferenssi 601–610 (ACM 2009).
Kapoor, S. ja Narayanan, A. Vuoto- ja toistettavuuskriisit koneoppimiseen perustuvassa tieteessä. Patterns, 4, 100804 (2023).
Kapoor S. ym. Reform: koneoppimiseen perustuvat tieteellisen raportoinnin standardit. Esijulkaisu saatavilla osoitteessa https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C. ja Recht, B. Merkityksettomat vertailut voivat johtaa väärään optimismiin lääketieteellisessä koneoppimisessa. PloS ONE 12, e0184604 (2017).
Roberts, M., ym. Yleisiä sudenkuoppia ja parhaita käytäntöjä koneoppimisen käyttämiseen COVID-19:n havaitsemiseksi ja ennustamiseksi rintakehän röntgenkuvien ja tietokonetomografian avulla. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. ym. Ennustavat mallit COVID-19:n diagnosointiin ja ennusteeseen: systemaattinen katsaus ja kriittinen arviointi. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS ja Pollard KS Koneoppimisen käytön sudenkuoppien voittaminen genomiikassa. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. ym. Koneoppimisen parhaat käytännöt kemiassa. Nat. Chemical. 13, 505–508 (2021).
Brunton SL ja Kutz JN. Lupaavia suuntia osittaisdifferentiaaliyhtälöiden koneoppimiseen. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. ja Brunton, SL. Laskennallisen virtausdynamiikan parantaminen koneoppimisen avulla. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. ym. Tieteellinen koneoppiminen fyysisesti informoitujen neuroverkkojen avulla: Missä olemme nyt ja mitä seuraavaksi. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. ja Xiao, H. Turbulenssimallinnus data-aikakaudella. Ann. 51:n tarkistettu painos, 357–377 (2019).
Durran, DR Numeeriset menetelmät aaltoyhtälöiden ratkaisemiseen geofysikaalisessa hydrodynamiikassa, osa 32 (Springer, 2013).
Mishra, S. Koneoppimiskehys differentiaaliyhtälöiden datapohjaisen laskennan nopeuttamiseksi. matematiikka. insinööri. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. ym. Koneoppiminen – laskennallisen nestedynamiikan kiihdytys. prosessi. National Academy of Sciences. tiede. US 118, e2101784118 (2021).
Kadapa, K. Koneoppiminen tietojenkäsittelytieteessä ja -tekniikassa – lyhyt johdanto ja joitakin keskeisiä kysymyksiä. Preprint saatavilla osoitteessa https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. ja Zanna, L. Koneoppimiseen perustuvan valtameren aliverkon parametrisoinnin vertaileva analyysi idealisoiduissa malleissa. J.Adv. Model. Earth System. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., ja Brandstetter, J. Osasuuruisten differentiaaliyhtälöiden tarkennus: tarkkojen pitkien ekstruusioiden saavuttaminen neuraalialkuisella osittaisdifferentiaaliyhtälöiden ratkaisijalla. 37. neuroverkkojen tiedonkäsittelyjärjestelmien konferenssi (NeurIPS 2023).
Frachas, PR ym. Takaisinpropagaatioalgoritmi ja reserviölaskenta rekurrenteissa neuroverkoissa monimutkaisten spatiaali-ajallisten dynamiikkojen ennustamiseksi. neuronetwork. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. ja Karniadakis, GE Fysiikka, tietojenkäsittelytiede, neuroverkot: syväoppimisen viitekehys epälineaaristen osittaisdifferentiaaliyhtälöiden suoraan ja käänteisesti tapahtuvaan ongelmaan. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., ja Schönlieb, K.-B. Voivatko fysiikkaan perustuvat neuroverkot suoriutua paremmin kuin äärelliselementtimenetelmät? IMA J. Applications. mathematics. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., ja Gómez-Romero, J. Fysiikkaan perustuvat neuroverkot datalähtöiseen mallintamiseen: edut, rajoitukset ja mahdollisuudet. Fysiikka. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Empiirinen raportti fysiikkaan perustuvista neuroverkoista fluidimallinnuksessa: sudenkuopat ja pettymykset. Esijulkaisu saatavilla osoitteessa https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. ja Barba, LA. Fysikaalisesti informoitujen neuroverkkojen ennusteelliset rajoitukset pyörteiden muodostumisessa. Esipainos saatavilla osoitteessa https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., ja Perdikaris, P. Milloin ja miksi pinnit eivät harjoittele: Neuraalisten tangenttiytimien näkökulma. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. ja Mahoney, MW. Mahdollisten vikaantumistilojen ominaisuudet fyysisissä informaatiohermoverkoissa. 35th Conference on Neural Information Processing Systems, osa 34, 26548–26560 (NeurIPS 2021).
Basir, S. ja Senokak, I. Fysiikkaan perustuvien neuroverkkojen vikaantumismoodeiden kriittinen tutkimus. Julkaisussa AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. ja Koumoutsakos P. Fysikaalisten inversio-ongelmien ratkaiseminen optimoimalla diskreettejä häviöitä: nopea ja tarkka oppiminen ilman neuroverkkoja. process. National Academy of Sciences. science. Nexus 3, pgae005 (2024).
Gundersen OE Toistettavuuden perusperiaatteet. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E ja Pearson A. Systemaattiset katsaukset: yleiskatsaus. Kyllä. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, ja Rohde, K. Rajoitetietoiset neuroverkot Riemannin ongelmaan. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ ja Adams NA. Datapohjainen, fysikaalisesti informoitu äärellisen tilavuuden piiri epäklassisille alennetuille jännite-iskuille. J. Computer. physics. 437, 110324 (2021).
Julkaisun aika: 29.9.2024