Tankewol foar jo besite oan Nature.com. De ferzje fan 'e browser dy't jo brûke hat beheinde CSS-stipe. Foar de bêste resultaten riede wy oan dat jo in nijere ferzje fan jo browser brûke (of de kompatibiliteitsmodus yn Internet Explorer útskeakelje). Yn 'e tuskentiid, om trochgeande stipe te garandearjen, litte wy de side sûnder styling of JavaScript sjen.
Ien fan 'e meast belofte tapassingen fan masinelearen yn komputasjonele natuerkunde is de fersnelde oplossing fan parsjele differinsjaalfergelikingen (PDE's). It wichtichste doel fan in op masinelearen basearre parsjele differinsjaalfergelikingoplosser is om oplossingen te produsearjen dy't krekt genôch rapper binne as standert numerike metoaden om te tsjinjen as in basisferliking. Wy fiere earst in systematyske resinsje út fan 'e literatuer oer masinelearen oer it oplossen fan parsjele differinsjaalfergelikingen. Fan alle artikels dy't it gebrûk fan ML melde om floeibere parsjele differinsjaalfergelikingen op te lossen en superioriteit oer standert numerike metoaden beweare, identifisearren wy 79% (60/76) yn ferliking mei swakke basislinen. Twad, fûnen wy bewiis fan wiidfersprate rapportaazjebias, benammen yn útkomstrapportaazje en publikaasjebias. Wy konkludearje dat ûndersyk nei masinelearen oer it oplossen fan parsjele differinsjaalfergelikingen te optimistysk is: swakke ynfiergegevens kinne liede ta te positive resultaten, en rapportaazjebias kin liede ta ûnderrapportaazje fan negative resultaten. Foar in grut part lykje dizze problemen feroarsake te wurden troch faktoaren dy't fergelykber binne mei eardere reprodusearberheidskrises: diskresje fan ûndersikers en positive útkomstbias. Wy roppe op ta kulturele feroaring fan ûnderen nei boppen om foaroardielde rapportaazje te minimalisearjen en strukturele herfoarming fan boppen nei ûnderen om perverse stimulâns om dit te dwaan te ferminderjen.
De list mei auteurs en artikels generearre troch de systematyske resinsje, lykas de klassifikaasje fan elk artikel yn 'e willekeurige stekproef, is iepenbier beskikber op https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124).
De koade dy't nedich is om de resultaten yn Tabel 2 te reprodusearjen is te finen op GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) en op Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (link 126) en https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Randall, D., en Welser, K., De ûnreprodusearberheidskrisis yn 'e moderne wittenskip: oarsaken, gefolgen en paden foar herfoarming (Nasjonale Feriening fan Wittenskippers, 2018).
Ritchie, S. Science Fiction: Hoe fraude, foaroardielen, stilte en hype de syktocht nei wierheid ûndermynje (Vintage, 2020).
Iepen wittenskiplike gearwurking. Beoardieling fan reprodusearberens yn psychologyske wittenskip. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., en Asadullah, K. Leauwe it of net: Hoefolle kinne wy fertrouwe op publisearre gegevens oer potinsjele drugsdoelen? Nat. Rev. "De ûntdekking fan drugs." 10, 712 (2011).
Begley, KG en Ellis, LM Ferheging fan noarmen yn preklinysk kankerûndersyk. Nature 483, 531–533 (2012).
A. Gelman en E. Loken, De Tún fan Ferspriedende Paden: Wêrom't Meardere Ferlikingen in Probleem binne Sels Sûnder "Fiskeekspedysjes" of "p-hacks" en Foarôf Formearre Undersykshypotezen, diel 348, 1–17 (Ofdieling Statistyk, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., en Shi, D. Masinelearen op syk nei nije fûnemintele natuerkunde. Nat. Doctor of Philosophy in Physics. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM en Ahsan MJ. Masinelearen yn medisynûntdekking: in oersjoch. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS en Coote, ML Djip learen yn skiekunde. J.Chemistry. notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. en Kohan I. Masinelearen yn medisinen. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. en Stewart BM Masinelearen yn sosjale wittenskippen: in agnostyske oanpak. Rev. Ann Ball. wittenskip. 24, 395–419 (2021).
Jump, J. et al. Meitsje tige krekte proteïnestruktuerfoarsizzingen mei alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., en Gil, Y. Boarnen fan ûnreprodusearberens yn masinelearen: In oersjoch. Foarprint beskikber op https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., en Rahimi, A. Winner's flok? Oer de snelheid, foarútgong en strangens fan empirysk bewiis (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., en Zobel, J. Net-tafoege ferbetterings: foarriedige sykresultaten sûnt 1998. 18e ACM-konferinsje oer ynformaasje- en kennisbehear 601–610 (ACM 2009).
Kapoor, S. en Narayanan, A. Lekkage- en reprodusearberheidskrises yn wittenskip basearre op masinelearen. Patterns, 4, 100804 (2023).
Kapoor S. et al. Herfoarming: wittenskiplike rapportaazjestanderts basearre op masinelearen. Foarprint beskikber op https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., en Recht, B. Sinleaze fergelikingen kinne liede ta falsk optimisme yn medysk masinelearen. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Faak foarkommende falstrikken en bêste praktiken foar it brûken fan masinelearen om COVID-19 te detektearjen en te foarsizzen fanút boarströntgenfoto's en kompjûtertomografy. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Foarsizzende modellen foar de diagnoaze en prognose fan COVID-19: in systematyske resinsje en krityske beoardieling. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS en Pollard KS It oerwinnen fan 'e falstrikken fan it brûken fan masinelearen yn genomics. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Bêste praktiken foar masinelearen yn skiekunde. Nat. Chemical. 13, 505–508 (2021).
Brunton SL en Kutz JN Beloftefolle rjochtingen foar masinelearen fan parsjele differinsjaalfergelikingen. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. en Brunton, SL Ferbetterjen fan komputasjonele floeistofdynamika troch masinelearen. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. et al. Wittenskiplik masinelearen mei fysyk ynformearre neurale netwurken: Wêr't wy no binne en wat komt dernei. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., en Xiao, H. Turbulinsjemodellering yn it datatiidrek. Herziene edysje fan Ann. 51, 357–377 (2019).
Durran, DR Numerike metoaden foar it oplossen fan golffergelikingen yn geofysyske hydrodynamika, diel 32 (Springer, 2013).
Mishra, S. In masinelearenramt foar it fersnellen fan datagestuurde berekkening fan differinsjaalfergelikingen. wiskunde. yngenieur. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Masinelearen - fersnelling fan komputasjonele floeistofdynamika. proses. Nasjonale Akademy fan Wittenskippen. wittenskip. US 118, e2101784118 (2021).
Kadapa, K. Masinelearen foar kompjûterwittenskip en technyk - in koarte ynlieding en guon wichtige problemen. Foarprint beskikber op https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., en Zanna, L. Ferlykjende analyze fan masinelearende oseaan-subrasterparameterisaasje yn idealisearre modellen. J.Adv. Model. ierdesysteem. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., en Brandstetter, J. PDE-ferfining: it berikken fan krekte lange ekstruzjes mei in neurale PDE-oplosser. 37e konferinsje oer neurale ynformaasjeferwurkingssystemen (NeurIPS 2023).
Frachas, PR et al. Backpropagation-algoritme en reservoirberekkening yn weromkommende neurale netwurken foar it foarsizzen fan komplekse spatiotemporele dynamyk. neuraal netwurk. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. en Karniadakis, GE Physics, kompjûterwittenskip, neurale netwurken: in djip learraamwurk foar it oplossen fan foarút- en inverse problemen mei net-lineaire partielle differinsjaalfergelikingen. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., en Schönlieb, K.-B. Kinne natuerkunde-basearre neurale netwurken better prestearje as eindige elemintenmetoaden? IMA J. Applications. wiskunde. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., en Gómez-Romero, J. Natuerkunde-basearre neurale netwurken foar datagestuurde modellering: foardielen, beheiningen en kânsen. natuerkunde. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA In empirysk rapport oer natuerkunde-basearre neurale netwurken yn floeistofmodellering: falstrikken en teloarstellingen. Foarprint beskikber op https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. en Barba, LA Foarsizzende beheiningen fan fysyk ynformearre neurale netwurken op vortexfoarming. Foarprint beskikber op https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., en Perdikaris, P. Wannear en wêrom't pinnen net traine: In perspektyf fan in neurale tangentkearn. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., en Mahoney, MW Karakteristiken fan mooglike falingsmodi yn fysike ynformaasjeneurale netwurken. 35e Konferinsje oer Neurale Ynformaasjeferwurkingssystemen Vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. en Senokak, I. In krityske stúdzje fan falingsmodi yn natuerkunde-basearre neurale netwurken. Yn AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. en Koumoutsakos P. Oplossen fan fysike inverse problemen troch it optimalisearjen fan diskrete ferliezen: rap en krekt learen sûnder neurale netwurken. proses. Nasjonale Akademy fan Wittenskippen. wittenskip. Nexus 3, pgae005 (2024).
Gundersen OE Basisprinsipes fan reprodusearberens. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E en Pearson A. Systematyske resinsjes: in oersjoch. Ja. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, en Rohde, K. Beperkingsbewuste neurale netwurken foar it Riemann-probleem. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ en Adams NA Data-oandreaune fysyk ynformearre eindige folume-sirkwy foar net-klassike skokken mei fermindere spanning. J. Computer. physics. 437, 110324 (2021).
Pleatsingstiid: 29 septimber 2024