Merci de votre visite sur Nature.com. La version de votre navigateur que vous utilisez offre une prise en charge CSS limitée. Pour un résultat optimal, nous vous recommandons d'utiliser une version plus récente de votre navigateur (ou de désactiver le mode de compatibilité dans Internet Explorer). En attendant, pour garantir une prise en charge continue, nous affichons le site sans style ni JavaScript.
L'une des applications les plus prometteuses de l'apprentissage automatique en physique computationnelle est la résolution accélérée d'équations aux dérivées partielles (EDP). L'objectif principal d'un solveur d'équations aux dérivées partielles basé sur l'apprentissage automatique est de produire des solutions suffisamment précises, plus rapidement que les méthodes numériques standard, pour servir de référence de comparaison. Nous avons d'abord réalisé une revue systématique de la littérature sur l'apprentissage automatique pour la résolution d'équations aux dérivées partielles. Parmi tous les articles rapportant l'utilisation de l'apprentissage automatique pour résoudre des équations aux dérivées partielles fluides et revendiquant sa supériorité par rapport aux méthodes numériques standard, nous avons identifié 79 % (60/76) par rapport à des références faibles. Ensuite, nous avons constaté des biais de publication généralisés, notamment dans la publication des résultats et dans la publication. Nous concluons que la recherche en apprentissage automatique sur la résolution d'équations aux dérivées partielles est excessivement optimiste : des données d'entrée faibles peuvent conduire à des résultats trop positifs, et un biais de publication peut entraîner une sous-déclaration des résultats négatifs. Ces problèmes semblent en grande partie causés par des facteurs similaires aux crises de reproductibilité passées : la discrétion des chercheurs et un biais de publication positif. Nous appelons à un changement culturel ascendant pour minimiser les reportages biaisés et à une réforme structurelle descendante pour réduire les incitations perverses à agir de la sorte.
La liste des auteurs et des articles générés par la revue systématique, ainsi que la classification de chaque article dans l'échantillon aléatoire, sont accessibles au public à l'adresse https://doi.org/10.17605/OSF.IO/GQ5B3 (réf. 124).
Le code nécessaire pour reproduire les résultats du tableau 2 peut être trouvé sur GitHub : https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) et sur Code Ocean : https://codeocean.com/capsule/9605539/Tree/ v1 (lien 126) et https://codeocean.com/capsule/0799002/tree/v1 (lien 127).
Randall, D., et Welser, K., La crise d'irreproductibilité dans la science moderne : causes, conséquences et voies de réforme (National Association of Scientists, 2018).
Ritchie, S. Science-fiction : comment la fraude, les préjugés, le silence et le battage médiatique sapent la recherche de la vérité (Vintage, 2020).
Collaboration scientifique ouverte. Évaluation de la reproductibilité en psychologie scientifique. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., et Asadullah, K. Croyez-le ou non : dans quelle mesure pouvons-nous nous fier aux données publiées sur les cibles médicamenteuses potentielles ? Nat. Rev. « The Discovery of Drugs ». 10, 712 (2011).
Begley, KG et Ellis, LM. Améliorer les normes de la recherche préclinique sur le cancer. Nature 483, 531–533 (2012).
A. Gelman et E. Loken, Le jardin des chemins qui bifurquent : pourquoi les comparaisons multiples sont un problème même sans « expéditions de pêche » ou « p-hacks » et hypothèses de recherche préformées, vol. 348, 1–17 (Département de statistique, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., et Shi, D. L'apprentissage automatique à la recherche d'une nouvelle physique fondamentale. Nat. Doctorat en physique. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM et Ahsan MJ. Apprentissage automatique dans la découverte de médicaments : une revue. Atif. Intel. Éd. 55, 1947–1999 (2022).
Mather, AS et Coote, ML Apprentissage profond en chimie. J.Chemistry. notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. et Kohan I. Apprentissage automatique en médecine. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. et Stewart BM L'apprentissage automatique en sciences sociales : une approche agnostique. Rév. Ann Ball. science. 24, 395–419 (2021).
Jump, J. et al. Prédire avec une grande précision la structure des protéines grâce à la méthode alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., et Gil, Y. Sources d'irréproductibilité en apprentissage automatique : une revue. Prépublication disponible sur https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., et Rahimi, A. La malédiction du gagnant ? Sur la rapidité, le progrès et la rigueur des preuves empiriques (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., et Zobel, J. Améliorations non additives : résultats de recherche préliminaires depuis 1998. 18e Conférence ACM sur la gestion de l'information et des connaissances 601–610 (ACM 2009).
Kapoor, S. et Narayanan, A. Crises de fuite et de reproductibilité dans la science basée sur l'apprentissage automatique. Patterns, 4, 100804 (2023).
Kapoor S. et al. Réforme : normes de reporting scientifique basées sur l'apprentissage automatique. Prépublication disponible sur https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., et Recht, B. Des comparaisons dénuées de sens peuvent conduire à un faux optimisme dans l'apprentissage automatique médical. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Pièges courants et meilleures pratiques pour l'utilisation de l'apprentissage automatique pour détecter et prédire la COVID-19 à partir de radiographies thoraciques et de tomodensitométrie. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Modèles prédictifs pour le diagnostic et le pronostic de la COVID-19 : revue systématique et évaluation critique. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS et Pollard KS Surmonter les pièges de l'utilisation de l'apprentissage automatique en génomique. Nat. Pasteur Ginette. 23, 169–181 (2022).
Atris N. et al. Meilleures pratiques pour l'apprentissage automatique en chimie. Nat. Chemical. 13, 505–508 (2021).
Brunton SL et Kutz JN Orientations prometteuses pour l'apprentissage automatique des équations aux dérivées partielles. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. et Brunton, SL Améliorer la dynamique des fluides numérique grâce à l'apprentissage automatique. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. et al. Apprentissage automatique scientifique avec des réseaux neuronaux physiquement informés : où en sommes-nous maintenant et quelle est la prochaine étape. J. Science. calculer. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., et Xiao, H. Modélisation de la turbulence à l'ère des données. Édition révisée de Ann. 51, 357–377 (2019).
Durran, DR Méthodes numériques pour résoudre les équations d'ondes en hydrodynamique géophysique, vol. 32 (Springer, 2013).
Mishra, S. Un cadre d'apprentissage automatique pour accélérer le calcul piloté par les données des équations différentielles. mathématiques. ingénieur. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Apprentissage automatique – accélération de la dynamique des fluides numérique. processus. Académie nationale des sciences. science. US 118, e2101784118 (2021).
Kadapa, K. Apprentissage automatique pour l'informatique et l'ingénierie – brève introduction et quelques questions clés. Prépublication disponible sur https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., et Zanna, L. Analyse comparative de la paramétrisation des sous-grilles océaniques par apprentissage automatique dans les modèles idéalisés. J.Adv. Modèle. système terrestre. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., et Brandstetter, J. Affinement des EDP : obtenir des extrusions longues précises avec un solveur d'EDP neuronal. 37e Conférence sur les systèmes de traitement de l'information neuronale (NeurIPS 2023).
Frachas, PR et al. Algorithme de rétropropagation et calcul de réservoir dans les réseaux neuronaux récurrents pour prédire la dynamique spatio-temporelle complexe. réseau neuronal. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. et Karniadakis, GE Physique, informatique, réseaux de neurones : un cadre d'apprentissage profond pour résoudre des problèmes directs et inverses impliquant des équations aux dérivées partielles non linéaires. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., et Schönlieb, K.-B. Les réseaux neuronaux basés sur la physique peuvent-ils surpasser les méthodes des éléments finis ? IMA J. Applications. mathématiques. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., et Gómez-Romero, J. Réseaux neuronaux basés sur la physique pour la modélisation pilotée par les données : avantages, limites et opportunités. Physique. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA. Un rapport empirique sur les réseaux neuronaux basés sur la physique dans la modélisation des fluides : pièges et déceptions. Prépublication disponible sur https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. et Barba, LA. Limitations prédictives des réseaux neuronaux physiquement informés sur la formation de vortex. Prépublication disponible sur https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., et Perdikaris, P. Quand et pourquoi les pinns ne parviennent pas à s'entraîner : une perspective du noyau tangent neuronal. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., et Mahoney, MW Caractéristiques des modes de défaillance possibles dans les réseaux neuronaux d'information physique. 35e Conférence sur les systèmes de traitement de l'information neuronale Vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. et Senokak, I. Étude critique des modes de défaillance dans les réseaux neuronaux basés sur la physique. Dans AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. et Koumoutsakos P. Résolution de problèmes inverses physiques en optimisant les pertes discrètes : apprentissage rapide et précis sans réseaux de neurones. processus. Académie nationale des sciences. science. Nexus 3, pgae005 (2024).
Gundersen OE Principes de base de la reproductibilité. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E et Pearson A. Revues systématiques : un aperçu. Oui. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, et Rohde, K. Réseaux de neurones sensibles aux contraintes pour le problème de Riemann. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ et Adams NA Circuit à volume fini physiquement informé piloté par les données pour les chocs de tension réduits non classiques. J. Computer. physics. 437, 110324 (2021).
Date de publication : 29 septembre 2024