Köszönjük, hogy felkereste a Nature.com weboldalt. Az Ön által használt böngészőverzió korlátozott CSS-támogatással rendelkezik. A legjobb eredmény elérése érdekében javasoljuk, hogy a böngésző újabb verzióját használja (vagy tiltsa le a kompatibilitási módot az Internet Explorerben). Időközben a folyamatos támogatás biztosítása érdekében stílus és JavaScript nélkül jelenítjük meg az oldalt.
A gépi tanulás egyik legígéretesebb alkalmazása a számítógépes fizikában a parciális differenciálegyenletek (PDE-k) gyorsított megoldása. A gépi tanuláson alapuló parciális differenciálegyenlet-megoldók fő célja olyan megoldások előállítása, amelyek elég pontosak és gyorsabbak, mint a standard numerikus módszerek, hogy alap-összehasonlításként szolgáljanak. Először is szisztematikus áttekintést végzünk a parciális differenciálegyenletek megoldásával foglalkozó gépi tanulási szakirodalomról. Az összes olyan cikk közül, amelyek a gépi tanulás használatát írják le fluid parciális differenciálegyenletek megoldására, és a standard numerikus módszerekkel szembeni fölényüket állítják, 79%-ot (60/76) azonosítottunk a gyenge alapokhoz képest. Másodszor, bizonyítékokat találtunk a széles körű jelentési torzításra, különösen az eredményjelentési és a publikációs torzításban. Arra a következtetésre jutottunk, hogy a parciális differenciálegyenletek megoldásával kapcsolatos gépi tanulási kutatások túlságosan optimisták: a gyenge bemeneti adatok túlságosan pozitív eredményekhez vezethetnek, a jelentési torzítás pedig a negatív eredmények aluljelentéséhez. Úgy tűnik, hogy ezeket a problémákat nagyrészt a múltbeli reprodukálhatósági válságokhoz hasonló tényezők okozzák: a kutatók mérlegelési jogköre és a pozitív eredménytorzítás. Alulról felfelé irányuló kulturális változást szorgalmazunk az elfogult jelentéstétel minimalizálása érdekében, és felülről lefelé irányuló strukturális reformot az erre irányuló perverz ösztönzők csökkentése érdekében.
A szisztematikus áttekintés során létrehozott szerzők és cikkek listája, valamint a véletlenszerű mintában szereplő egyes cikkek besorolása nyilvánosan elérhető a https://doi.org/10.17605/OSF.IO/GQ5B3 címen (124. hivatkozás).
A 2. táblázatban szereplő eredmények reprodukálásához szükséges kód megtalálható a GitHubon: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (125. hivatkozás) és a Code Oceanon: https://codeocean.com/capsule/9605539/Tree/v1 (126. hivatkozás) és https://codeocean.com/capsule/0799002/tree/v1 (127. hivatkozás).
Randall, D. és Welser, K., A megismételhetetlenségi válság a modern tudományban: okok, következmények és a reform útjai (National Association of Scientists, 2018).
Ritchie, S. Sci-fi: Hogyan ássa alá a csalás, az elfogultság, a hallgatás és a felhajtás az igazság keresését (Vintage, 2020).
Nyílt tudományos együttműködés. A reprodukálhatóság értékelése a pszichológiai tudományban. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. és Asadullah, K. Hiszed vagy sem: Mennyire támaszkodhatunk a potenciális gyógyszercélpontokkal kapcsolatos publikált adatokra? Nat. Rev. „A gyógyszerek felfedezése.” 10, 712 (2011).
Begley, KG és Ellis, LM: A preklinikai rákkutatás színvonalának emelése. Nature 483, 531–533 (2012).
A. Gelman és E. Loken, Az elágazó ösvények kertje: Miért jelent problémát a többszörös összehasonlítás még „horgászexpedíciók” vagy „p-hackek” nélkül is, és Előreformált kutatási hipotézisek, 348. évf., 1–17. (Statisztikai Tanszék, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. és Shi, D. Gépi tanulás az új alapvető fizika keresésében. Nat. Doctor of Philosophysic. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM és Ahsan MJ. Gépi tanulás a gyógyszerkutatásban: áttekintés. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS és Coote, ML Mély tanulás a kémiában. J. Chemistry. notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. és Kohan I. Gépi tanulás az orvostudományban. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. és Stewart BM Gépi tanulás a társadalomtudományokban: egy agnosztikus megközelítés. Rev. Ann Ball. Science. 24, 395–419 (2021).
Jump, J. és munkatársai: Nagy pontosságú fehérjeszerkezet-előrejelzések készítése alphafold módszerrel. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. és Gil, Y. A gépi tanulás reprodukálhatatlanságának forrásai: áttekintés. Előzetes publikáció elérhető a https://arxiv.org/abs/2204.07610 címen (2022).
Scully, D., Snook, J., Wiltschko, A. és Rahimi, A. A győztes átka? Az empirikus bizonyítékok sebességéről, haladásáról és szigorúságáról (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. és Zobel, J. Nem additív bővítések: előzetes keresési eredmények 1998 óta. 18. ACM Információ- és Tudásmenedzsment Konferencia 601–610 (ACM 2009).
Kapoor, S. és Narayanan, A. Szivárgási és reprodukálhatósági válságok a gépi tanuláson alapuló tudományban. Patterns, 4, 100804 (2023).
Kapoor S. et al. Reform: gépi tanuláson alapuló tudományos jelentéstételi szabványok. Előzetes publikáció elérhető a https://arxiv.org/abs/2308.07832 (2023) címen.
DeMasi, O., Cording, C. és Recht, B. Az értelmetlen összehasonlítások hamis optimizmushoz vezethetnek az orvosi gépi tanulásban. PloS ONE 12, e0184604 (2017).
Roberts, M. és munkatársai. Gyakori buktatók és bevált gyakorlatok a gépi tanulás alkalmazásában a COVID-19 mellkasröntgen és komputertomográfia segítségével történő kimutatására és előrejelzésére. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. és munkatársai. Prediktív modellek a COVID-19 diagnosztizálására és prognózisára: szisztematikus áttekintés és kritikai értékelés. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS és Pollard KS: A gépi tanulás genomikai alkalmazásának buktatóinak leküzdése. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. A gépi tanulás legjobb gyakorlatai a kémiában. Nat. Chemical. 13, 505–508 (2021).
Brunton SL és Kutz JN: Ígéretes irányok a parciális differenciálegyenletek gépi tanulásához. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. és Brunton, SL A számítógépes folyadékdinamika fejlesztése gépi tanulás segítségével. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. és munkatársai. Tudományos gépi tanulás fizikailag támogatott neurális hálózatokkal: Hol tartunk most és mi a következő lépés. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. és Xiao, H. Turbulenciamodellezés az adatkorszakban. Az Ann. 51, 357–377 (2019) átdolgozott kiadása.
Durran, DR Numerikus módszerek hullámegyenletek megoldására a geofizikai hidrodinamikában, 32. kötet (Springer, 2013).
Mishra, S. Gépi tanulási keretrendszer a differenciálegyenletek adatvezérelt számításának felgyorsítására. matematika. mérnök. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Gépi tanulás – a számítógépes folyadékdinamika gyorsítása. folyamat. Nemzeti Tudományos Akadémia. science. US 118, e2101784118 (2021).
Kadapa, K. Gépi tanulás a számítástechnikában és a mérnöki tudományokban – rövid bevezetés és néhány kulcsfontosságú kérdés. Előzetes nyomtatás elérhető a https://arxiv.org/abs/2112.12054 (2021) címen.
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. és Zanna, L. Gépi tanuláson alapuló óceáni alhálózati paraméterezés összehasonlító elemzése idealizált modellekben. J.Adv. Model. Earth System. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. és Brandstetter, J. Parciális differenciálegyenlet-finomítás: pontos hosszú extrudálások elérése neurális parciális differenciálegyenlet-megoldóval. 37. Neurális Információfeldolgozó Rendszerek Konferenciája (NeurIPS 2023).
Frachas, PR et al. Visszaterjedési algoritmus és rezervoár-számítás rekurens neurális hálózatokban komplex téridőbeli dinamika előrejelzésére. neural network. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. és Karniadakis, GE Physics, számítástechnika, neurális hálózatok: mély tanulási keretrendszer nemlineáris parciális differenciálegyenleteket tartalmazó előre és inverz problémák megoldására. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. és Schönlieb, K.-B. Vajon a fizika alapú neurális hálózatok felülmúlják-e a végeselemes módszereket? IMA J. Applications. mathematics. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., és Gómez-Romero, J. Fizikán alapuló neurális hálózatok adatvezérelt modellezéshez: előnyök, korlátok és lehetőségek. Fizika. A 610, 128415 (2023).
Zhuang, P.-Y. és Barba, LA. Empirikus jelentés a fizikán alapuló neurális hálózatokról a fluidmodellezésben: buktatók és csalódások. Előzetes publikáció elérhető a https://arxiv.org/abs/2205.14249 címen (2022).
Zhuang, P.-Y. és Barba, LA: A fizikailag informált neurális hálózatok prediktív korlátai az örvényképződésre vonatkozóan. Előzetes publikáció elérhető a https://arxiv.org/abs/2306.00230 címen (2023).
Wang, S., Yu, H. és Perdikaris, P. Mikor és miért nem sikerül a pinn-ek betanítása: Az idegi tangens mag perspektívája. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. és Mahoney, MW: A lehetséges hibamódok jellemzői fizikai információs neurális hálózatokban. 35. Neurális Információfeldolgozó Rendszerek Konferenciája, 34. kötet, 26548–26560 (NeurIPS 2021).
Basir, S. és Senokak, I. A fizikai alapú neurális hálózatok meghibásodási módjainak kritikai vizsgálata. Az AiAA SCITECH 2022 Forum 2353 (ARK, 2022) konferenciáján.
Karnakov P., Litvinov S. és Koumoutsakos P. Fizikai inverz problémák megoldása diszkrét veszteségek optimalizálásával: gyors és pontos tanulás neurális hálózatok nélkül. Process. National Academy of Sciences. Science. Nexus 3, pgae005 (2024).
Gundersen OE A reprodukálhatóság alapelvei. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E és Pearson A. Szisztematikus áttekintések: áttekintés. Igen. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, és Rohde, K. Korlátozás-tudatos neurális hálózatok a Riemann-problémához. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ és Adams NA Adatvezérelt, fizikailag informált véges térfogatú áramkör nem klasszikus, csökkentett feszültséglökésekhez. J. Computer. physics. 437, 110324 (2021).
Közzététel ideje: 2024. szeptember 29.