Grazas por visitar Nature.com. A versión do navegador que estás a usar ten compatibilidade limitada con CSS. Para obter mellores resultados, recomendámosche que uses unha versión máis recente do teu navegador (ou que desactives o modo de compatibilidade en Internet Explorer). Mentres tanto, para garantir a asistencia continua, mostramos o sitio sen estilos nin JavaScript.
Unha das aplicacións máis prometedoras da aprendizaxe automática na física computacional é a resolución acelerada de ecuacións diferenciais parciais (EDP). O obxectivo principal dun solucionador de ecuacións diferenciais parciais baseado na aprendizaxe automática é producir solucións que sexan o suficientemente precisas e máis rápidas que os métodos numéricos estándar para servir como comparación de referencia. Primeiro, realizamos unha revisión sistemática da literatura de aprendizaxe automática sobre a resolución de ecuacións diferenciais parciais. De todos os artigos que informan sobre o uso da aprendizaxe automática para resolver ecuacións diferenciais parciais de fluídos e afirman a súa superioridade sobre os métodos numéricos estándar, identificamos o 79 % (60/76) en comparación con liñas de referencia débiles. En segundo lugar, atopamos evidencias dun sesgo de información xeneralizado, particularmente na información de resultados e no sesgo de publicación. Concluímos que a investigación da aprendizaxe automática sobre a resolución de ecuacións diferenciais parciais é demasiado optimista: os datos de entrada débiles poden levar a resultados excesivamente positivos e o sesgo de información pode levar á subinformación de resultados negativos. En gran parte, estes problemas parecen estar causados por factores similares ás crises de reproducibilidade pasadas: discreción do investigador e sesgo de resultados positivos. Pedimos un cambio cultural de abaixo cara arriba para minimizar a información sesgada e unha reforma estrutural de arriba cara abaixo para reducir os incentivos perversos para facelo.
A lista de autores e artigos xerada pola revisión sistemática, así como a clasificación de cada artigo na mostra aleatoria, está dispoñible publicamente en https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124).
O código necesario para reproducir os resultados da Táboa 2 pódese atopar en GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) e en Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (ligazón 126) e https://codeocean.com/capsule/0799002/tree/v1 (ligazón 127).
Randall, D., e Welser, K., A crise da irreproducibilidade na ciencia moderna: causas, consecuencias e vías para a reforma (Asociación Nacional de Científicos, 2018).
Ritchie, S. Ciencia ficción: como a fraude, os prexuízos, o silencio e a publicidade prexudican a busca da verdade (Vintage, 2020).
Colaboración científica aberta. Avaliación da reproducibilidade na ciencia psicolóxica. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. e Asadullah, K. Créao ou non: canto podemos confiar nos datos publicados sobre posibles obxectivos farmacolóxicos? Nat. Rev. “The Discovery of Drugs.” 10, 712 (2011).
Begley, KG e Ellis, LM. *Elevando os estándares na investigación preclínica do cancro*. Nature 483, 531–533 (2012).
A. Gelman e E. Loken, *The Garden of Forking Paths: Why Multiple Comparisons are a Problem Even Without “Fishing Expeditions” or “p-hacks” and Preformed Research Hypotheses*, vol. 348, 1–17 (Departamento de Estatística, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. e Shi, D. Aprendizaxe automática na procura de nova física fundamental. Doutoramento Nacional en Filosofía en Física. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM e Ahsan MJ. Aprendizaxe automática no descubrimento de fármacos: unha revisión. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS e Coote, ML Aprendizaxe profunda en química. J. Chemistry. Notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. e Kohan I. Aprendizaxe automática en medicina. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME e Stewart BM Aprendizaxe automática nas ciencias sociais: unha abordaxe agnóstica. Rev. Ann Ball. science. 24, 395–419 (2021).
Jump, J. et al. Fai predicións moi precisas da estrutura de proteínas usando o pregamento alfa. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. e Gil, Y. Fontes de irreproducibilidade na aprendizaxe automática: unha revisión. Preimpresión dispoñible en https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. e Rahimi, A. A maldición de Winner? Sobre a velocidade, o progreso e o rigor da evidencia empírica (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. e Zobel, J. Melloras non aditivas: resultados preliminares da busca desde 1998. 18.ª Conferencia da ACM sobre Xestión da Información e o Coñecemento 601–610 (ACM 2009).
Kapoor, S. e Narayanan, A. Crises de fugas e reproducibilidade na ciencia baseada na aprendizaxe automática. Patterns, 4, 100804 (2023).
Kapoor S. et al. Reforma: estándares de presentación de informes científicos baseados na aprendizaxe automática. Preimpresión dispoñible en https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C. e Recht, B. As comparacións sen sentido poden levar a un falso optimismo na aprendizaxe automática médica. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Erros comúns e mellores prácticas para usar a aprendizaxe automática para detectar e predicir a COVID-19 a partir de radiografías de tórax e tomografía computarizada. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Modelos preditivos para o diagnóstico e prognóstico da COVID-19: unha revisión sistemática e avaliación crítica. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS e Pollard KS Superando as dificultades do uso da aprendizaxe automática en xenómica. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Boas prácticas para a aprendizaxe automática en química. Nat. Chemical. 13, 505–508 (2021).
Brunton SL e Kutz JN. Direccións prometedoras para a aprendizaxe automática de ecuacións diferenciais parciais. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. e Brunton, SL Mellora da dinámica de fluídos computacional mediante a aprendizaxe automática. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. et al. Aprendizaxe automática científica con redes neuronais informadas fisicamente: onde estamos agora e que vén despois. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. e Xiao, H. Modelización da turbulencia na era dos datos. Edición revisada de Ann. 51, 357–377 (2019).
Durran, DR Métodos numéricos para resolver ecuacións de onda en hidrodinámica xeofísica, vol. 32 (Springer, 2013).
Mishra, S. Un marco de aprendizaxe automática para acelerar o cálculo baseado en datos de ecuacións diferenciais. matemáticas. enxeñeiro. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Aprendizaxe automática: aceleración da dinámica de fluídos computacional. Proceso. Academia Nacional de Ciencias. Science. US 118, e2101784118 (2021).
Kadapa, K. Aprendizaxe automática para a informática e a enxeñaría: unha breve introdución e algúns temas clave. Preimpresión dispoñible en https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. e Zanna, L. Análise comparativa da parametrización de subgrelles oceánicas de aprendizaxe automática en modelos idealizados. J.Adv. Model. Sistema terrestre. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. e Brandstetter, J. Refinamento de EDP: consecución de extrusións longas precisas cun solucionador de EDP neuronal. 37.ª Conferencia sobre Sistemas de Procesamento de Información Neural (NeurIPS 2023).
Frachas, PR et al. Algoritmo de retropropagación e cálculo de reservorios en redes neuronais recorrentes para a predicción de dinámicas espazotemporais complexas. rede neuronal. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. e Karniadakis, GE Física, informática, redes neuronais: un marco de aprendizaxe profunda para resolver problemas directos e inversos que implican ecuacións diferenciais parciais non lineais. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. e Schönlieb, K.-B. Poden as redes neuronais baseadas na física superar os métodos de elementos finitos? IMA J. Aplicacións. matemáticas. 89, 143–174 (2024).
de la Mata, FF, Gijón, A., Molina-Solana, M. e Gómez-Romero, J. Redes neuronais baseadas en física para modelado baseado en datos: vantaxes, limitacións e oportunidades. física. A 610, 128415 (2023).
Zhuang, P.-Y. e Barba, LA Un informe empírico sobre redes neuronais baseadas na física na modelaxe de fluídos: dificultades e decepcións. Preimpresión dispoñible en https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. e Barba, LA. Limitacións preditivas das redes neuronais fisicamente informadas na formación de vórtices. Preimpresión dispoñible en https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. e Perdikaris, P. Cando e por que os pinos non se adestran: unha perspectiva do núcleo tanxente neuronal. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. e Mahoney, MW. Características dos posibles modos de fallo en redes neuronais de información física. 35.ª Conferencia sobre Sistemas de Procesamento de Información Neuronal, Vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. e Senokak, I. Un estudo crítico dos modos de fallo en redes neuronais baseadas na física. En AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. e Koumoutsakos P. Resolución de problemas inversos físicos mediante a optimización de perdas discretas: aprendizaxe rápida e precisa sen redes neuronais. Process. Academia Nacional de Ciencias. Science. Nexus 3, pgae005 (2024).
Gundersen OE Principios básicos de reproducibilidade. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E e Pearson A. Revisións sistemáticas: unha visión xeral. Si. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS e Rohde, K. Redes neuronais conscientes de restricións para o problema de Riemann. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ e Adams NA Circuíto de volume finito con información física baseado en datos para descargas de tensión reducida non clásicas. J. Computer. physics. 437, 110324 (2021).
Data de publicación: 29 de setembro de 2024