Terima kasih telah mengunjungi Nature.com. Versi peramban yang Anda gunakan memiliki dukungan CSS yang terbatas. Untuk hasil terbaik, sebaiknya gunakan versi peramban yang lebih baru (atau nonaktifkan Mode Kompatibilitas di Internet Explorer). Sementara itu, untuk memastikan dukungan yang berkelanjutan, kami menampilkan situs ini tanpa gaya atau JavaScript.
Salah satu aplikasi pembelajaran mesin yang paling menjanjikan dalam fisika komputasional adalah penyelesaian persamaan diferensial parsial (PDE) yang dipercepat. Tujuan utama dari penyelesai persamaan diferensial parsial berbasis pembelajaran mesin adalah untuk menghasilkan solusi yang cukup akurat dan lebih cepat daripada metode numerik standar untuk dijadikan sebagai perbandingan dasar. Pertama, kami melakukan tinjauan sistematis literatur pembelajaran mesin tentang penyelesaian persamaan diferensial parsial. Dari semua makalah yang melaporkan penggunaan pembelajaran mesin untuk menyelesaikan persamaan diferensial parsial fluida dan mengklaim keunggulannya dibandingkan metode numerik standar, kami mengidentifikasi 79% (60/76) dibandingkan dengan garis dasar yang lemah. Kedua, kami menemukan bukti bias pelaporan yang meluas, terutama dalam pelaporan hasil dan bias publikasi. Kami menyimpulkan bahwa penelitian pembelajaran mesin tentang penyelesaian persamaan diferensial parsial terlalu optimis: data masukan yang lemah dapat menyebabkan hasil yang terlalu positif, dan bias pelaporan dapat menyebabkan hasil negatif yang tidak dilaporkan. Sebagian besar, masalah ini tampaknya disebabkan oleh faktor-faktor yang serupa dengan krisis reproduktifitas di masa lalu: diskresi peneliti dan bias hasil positif. Kami menyerukan perubahan budaya dari bawah ke atas untuk meminimalkan pelaporan yang bias dan reformasi struktural dari atas ke bawah untuk mengurangi insentif yang menyimpang untuk melakukan hal itu.
Daftar penulis dan artikel yang dihasilkan oleh tinjauan sistematis, serta klasifikasi setiap artikel dalam sampel acak, tersedia untuk umum di https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124).
Kode yang diperlukan untuk mereproduksi hasil pada Tabel 2 dapat ditemukan di GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) dan di Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (tautan 126) dan https://codeocean.com/capsule/0799002/tree/v1 (tautan 127).
Randall, D., dan Welser, K., Krisis Ketidakmampuan untuk Direproduksi dalam Sains Modern: Penyebab, Konsekuensi, dan Jalan Menuju Reformasi (Asosiasi Ilmuwan Nasional, 2018).
Ritchie, S. Fiksi Ilmiah: Bagaimana Penipuan, Bias, Keheningan, dan Hype Merusak Pencarian Kebenaran (Vintage, 2020).
Kolaborasi ilmiah terbuka. Menilai reproduktifitas dalam ilmu psikologi. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., dan Asadullah, K. Percaya atau tidak: Seberapa besar kita dapat mengandalkan data yang dipublikasikan tentang target obat potensial? Nat. Rev. “Penemuan Obat.” 10, 712 (2011).
Begley, KG dan Ellis, LM Meningkatkan standar dalam penelitian kanker praklinis. Nature 483, 531–533 (2012).
A. Gelman dan E. Loken, The Garden of Forking Paths: Mengapa Perbandingan Berganda Menjadi Masalah Bahkan Tanpa “Ekspedisi Memancing” atau “p-hacks” dan Hipotesis Penelitian yang Telah Dibentuk, vol. 348, 1–17 (Departemen Statistik, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., dan Shi, D. Pembelajaran mesin dalam pencarian fisika fundamental baru. Nat. Doktor Filsafat Fisika. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM, dan Ahsan MJ. Pembelajaran mesin dalam penemuan obat: sebuah tinjauan. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS dan Coote, ML Pembelajaran mendalam dalam kimia. J.Chemistry.notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. dan Kohan I. Pembelajaran mesin dalam kedokteran. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. dan Stewart BM. Pembelajaran mesin dalam ilmu sosial: pendekatan agnostik. Pdt. Ann Ball. sains. 24, 395–419 (2021).
Jump, J. dkk. Membuat prediksi struktur protein yang sangat akurat menggunakan alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., dan Gil, Y. Sumber-sumber ketidakreprodusibilitasan dalam pembelajaran mesin: Sebuah tinjauan. Pracetak tersedia di https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., dan Rahimi, A. Kutukan Pemenang? Mengenai kecepatan, kemajuan, dan ketelitian bukti empiris (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., dan Zobel, J. Peningkatan non-aditif: hasil pencarian awal sejak 1998. Konferensi ACM ke-18 tentang Manajemen Informasi dan Pengetahuan 601–610 (ACM 2009).
Kapoor, S. dan Narayanan, A. Krisis kebocoran dan reproduktifitas dalam sains berbasis pembelajaran mesin. Pola, 4, 100804 (2023).
Kapoor S. dkk. Reformasi: standar pelaporan ilmiah berbasis pembelajaran mesin. Pracetak tersedia di https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., dan Recht, B. Perbandingan yang tidak bermakna dapat menyebabkan optimisme palsu dalam pembelajaran mesin medis. PloS ONE 12, e0184604 (2017).
Roberts, M., dkk. Jebakan umum dan praktik terbaik dalam penggunaan pembelajaran mesin untuk mendeteksi dan memprediksi COVID-19 dari rontgen dada dan tomografi terkomputasi. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. dkk. Model prediktif untuk diagnosis dan prognosis COVID-19: tinjauan sistematis dan penilaian kritis. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS, dan Pollard KS Mengatasi jebakan penggunaan pembelajaran mesin dalam genomik. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. dkk. Praktik terbaik untuk pembelajaran mesin dalam kimia. Nat. Kimia. 13, 505–508 (2021).
Brunton SL dan Kutz JN. Arah yang menjanjikan untuk pembelajaran mesin persamaan diferensial parsial. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. dan Brunton, SL. Meningkatkan dinamika fluida komputasional melalui pembelajaran mesin. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. dkk. Pembelajaran mesin ilmiah dengan jaringan saraf yang terinformasi secara fisik: Di mana kita berada sekarang dan apa selanjutnya. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., dan Xiao, H. Pemodelan turbulensi di era data. Edisi revisi Ann. 51, 357–377 (2019).
Durran, DR Metode numerik untuk memecahkan persamaan gelombang dalam hidrodinamika geofisika, vol. 32 (Springer, 2013).
Mishra, S. Kerangka kerja pembelajaran mesin untuk mempercepat komputasi persamaan diferensial berbasis data. matematika. insinyur. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. dkk. Pembelajaran mesin – percepatan dinamika fluida komputasional. Proses. Akademi Ilmu Pengetahuan Nasional. Sains. US 118, e2101784118 (2021).
Kadapa, K. Pembelajaran mesin untuk ilmu komputer dan teknik – pengantar singkat dan beberapa isu kunci. Pracetak tersedia di https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., dan Zanna, L. Analisis komparatif parameterisasi subgrid laut berbasis pembelajaran mesin dalam model ideal. J.Adv. Model. sistem bumi. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., dan Brandstetter, J. Penyempurnaan PDE: mencapai ekstrusi panjang yang akurat dengan pemecah PDE saraf. Konferensi ke-37 tentang Sistem Pemrosesan Informasi Saraf (NeurIPS 2023).
Frachas, PR dkk. Algoritma backpropagation dan perhitungan reservoir dalam jaringan saraf berulang untuk memprediksi dinamika spasiotemporal yang kompleks. jaringan saraf. 126, 191–217 (2020).
Raissi, M., Perdikaris, P., dan Karniadakis, GE Fisika, ilmu komputer, jaringan saraf: kerangka kerja pembelajaran mendalam untuk menyelesaikan masalah maju dan invers yang melibatkan persamaan diferensial parsial nonlinier. J. Komputer. fisika. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., dan Schönlieb, K.-B. Dapatkah jaringan saraf tiruan berbasis fisika mengungguli metode elemen hingga? IMA J. Aplikasi. Matematika. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., dan Gómez-Romero, J. Jaringan saraf tiruan berbasis fisika untuk pemodelan berbasis data: kelebihan, keterbatasan, dan peluang. Fisika. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA. Laporan empiris tentang jaringan saraf berbasis fisika dalam pemodelan fluida: jebakan dan kekecewaan. Pracetak tersedia di https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. dan Barba, LA. Keterbatasan prediktif jaringan saraf tiruan berbasis fisik terhadap pembentukan pusaran. Pracetak tersedia di https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., dan Perdikaris, P. Kapan dan mengapa pinn gagal dilatih: Perspektif nukleus tangen saraf. J. Fisika Komputer. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., dan Mahoney, MW Karakteristik kemungkinan mode kegagalan dalam jaringan saraf informasi fisik. Konferensi ke-35 tentang Sistem Pemrosesan Informasi Saraf Vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. dan Senokak, I. Studi kritis mode kegagalan dalam jaringan saraf berbasis fisika. Dalam Forum AiAA SCITECH 2022 2353 (ARK, 2022).
Karnakov P., Litvinov S., dan Koumoutsakos P. Memecahkan masalah invers fisika dengan mengoptimalkan rugi-rugi diskrit: pembelajaran cepat dan akurat tanpa jaringan saraf tiruan. proses. Akademi Ilmu Pengetahuan Nasional. sains. Nexus 3, pgae005 (2024).
Gundersen OE Prinsip dasar reproduktifitas. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E dan Pearson A. Tinjauan sistematis: sebuah ikhtisar. Ya. J. Keperawatan 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, dan Rohde, K. Jaringan saraf tiruan yang peka kendala untuk masalah Riemann. J. Fisika Komputer. 409, 109345 (2020).
Bezgin DA, Schmidt SJ, dan Adams NA. Rangkaian volume hingga berbasis data yang diinformasikan secara fisik untuk kejutan tegangan rendah non-klasik. J. Komputer. Fisika. 437, 110324 (2021).
Waktu posting: 29-Sep-2024