Grazie per aver visitato Nature.com. La versione del browser che stai utilizzando ha un supporto CSS limitato. Per risultati ottimali, ti consigliamo di utilizzare una versione più recente del tuo browser (o di disattivare la modalità di compatibilità in Internet Explorer). Nel frattempo, per garantire un supporto continuo, mostriamo il sito senza stili o JavaScript.
Una delle applicazioni più promettenti del machine learning in fisica computazionale è la soluzione accelerata di equazioni differenziali parziali (PDE). L'obiettivo principale di un risolutore di equazioni differenziali parziali basato sul machine learning è produrre soluzioni sufficientemente accurate e più rapide rispetto ai metodi numerici standard da fungere da base di confronto. Innanzitutto, conduciamo una revisione sistematica della letteratura sul machine learning relativa alla risoluzione di equazioni differenziali parziali. Di tutti gli articoli che riportano l'uso del machine learning per risolvere equazioni differenziali parziali fluide e ne rivendicano la superiorità rispetto ai metodi numerici standard, ne abbiamo identificato il 79% (60/76) rispetto a base di confronto deboli. In secondo luogo, abbiamo riscontrato prove di un diffuso bias di reporting, in particolare nella segnalazione dei risultati e nel bias di pubblicazione. Concludiamo che la ricerca sul machine learning sulla risoluzione di equazioni differenziali parziali è eccessivamente ottimistica: dati di input deboli possono portare a risultati eccessivamente positivi, e il bias di reporting può portare alla sottostima dei risultati negativi. In gran parte, questi problemi sembrano essere causati da fattori simili alle crisi di riproducibilità del passato: discrezionalità del ricercatore e bias di esito positivo. Chiediamo un cambiamento culturale dal basso per ridurre al minimo le notizie parziali e una riforma strutturale dall'alto per ridurre gli incentivi perversi a farlo.
L'elenco degli autori e degli articoli generati dalla revisione sistematica, nonché la classificazione di ciascun articolo nel campione casuale, sono pubblicamente disponibili all'indirizzo https://doi.org/10.17605/OSF.IO/GQ5B3 (rif. 124).
Il codice necessario per riprodurre i risultati nella Tabella 2 è disponibile su GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (rif. 125) e su Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (link 126) e https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Randall, D. e Welser, K., La crisi dell'irriproducibilità nella scienza moderna: cause, conseguenze e percorsi di riforma (National Association of Scientists, 2018).
Ritchie, S. Fantascienza: come frode, pregiudizio, silenzio e clamore minano la ricerca della verità (Vintage, 2020).
Collaborazione scientifica aperta. Valutazione della riproducibilità nella scienza psicologica. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. e Asadullah, K. Che ci crediate o no: quanto possiamo fidarci dei dati pubblicati sui potenziali bersagli dei farmaci? Nat. Rev. "The Discovery of Drugs." 10, 712 (2011).
Begley, KG e Ellis, LM Innalzamento degli standard nella ricerca preclinica sul cancro. Nature 483, 531–533 (2012).
A. Gelman e E. Loken, Il giardino dei sentieri che si biforcano: perché i confronti multipli sono un problema anche senza “spedizioni di pesca” o “p-hack” e ipotesi di ricerca preformate, vol. 348, 1–17 (Dipartimento di statistica, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. e Shi, D. Apprendimento automatico alla ricerca di nuova fisica fondamentale. Nat. Dottorato di ricerca in fisica. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM e Ahsan MJ. Apprendimento automatico nella scoperta di farmaci: una revisione. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS e Coote, ML Apprendimento profondo in chimica. J.Chemistry. notifica. Modello. 59, 2545–2559 (2019).
Rajkomar A., Dean J. e Kohan I. Apprendimento automatico in medicina. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. e Stewart BM Apprendimento automatico nelle scienze sociali: un approccio agnostico. Rev. Ann Ball. science. 24, 395–419 (2021).
Jump, J. et al. Realizzare previsioni altamente accurate della struttura proteica utilizzando alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. e Gil, Y. Fonti di irriproducibilità nell'apprendimento automatico: una revisione. Preprint disponibile all'indirizzo https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. e Rahimi, A. La maledizione del vincitore? Sulla velocità, il progresso e il rigore delle prove empiriche (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. e Zobel, J. Miglioramenti non additivi: risultati preliminari della ricerca dal 1998. 18a conferenza ACM sulla gestione delle informazioni e della conoscenza 601–610 (ACM 2009).
Kapoor, S. e Narayanan, A. Crisi di dispersione e riproducibilità nella scienza basata sull'apprendimento automatico. Patterns, 4, 100804 (2023).
Kapoor S. et al. Riforma: standard di reporting scientifico basati sull'apprendimento automatico. Preprint disponibile all'indirizzo https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C. e Recht, B. Confronti privi di significato possono portare a un falso ottimismo nell'apprendimento automatico in ambito medico. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Errori comuni e buone pratiche per l'utilizzo dell'apprendimento automatico per rilevare e prevedere il COVID-19 da radiografie del torace e tomografia computerizzata. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Modelli predittivi per la diagnosi e la prognosi del COVID-19: una revisione sistematica e una valutazione critica. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS e Pollard KS Superare le insidie dell'uso dell'apprendimento automatico nella genomica. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Buone pratiche per l'apprendimento automatico in chimica. Nat. Chemical. 13, 505–508 (2021).
Brunton SL e Kutz JN Direzioni promettenti per l'apprendimento automatico di equazioni differenziali parziali. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. e Brunton, SL Migliorare la fluidodinamica computazionale attraverso l'apprendimento automatico. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. et al. Apprendimento automatico scientifico con reti neurali fisicamente informate: dove siamo ora e cosa ci aspetta. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. e Xiao, H. Modellazione della turbolenza nell'era dei dati. Edizione riveduta di Ann. 51, 357–377 (2019).
Durran, DR Metodi numerici per la risoluzione di equazioni d'onda nell'idrodinamica geofisica, vol. 32 (Springer, 2013).
Mishra, S. Un framework di apprendimento automatico per accelerare il calcolo basato sui dati di equazioni differenziali. matematica. ingegnere. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Apprendimento automatico: accelerazione della fluidodinamica computazionale. Processo. National Academy of Sciences. Science. US 118, e2101784118 (2021).
Kadapa, K. Apprendimento automatico per l'informatica e l'ingegneria: una breve introduzione e alcune questioni chiave. Preprint disponibile all'indirizzo https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. e Zanna, L. Analisi comparativa della parametrizzazione della sottogriglia oceanica tramite apprendimento automatico in modelli idealizzati. J.Adv. Modello. Sistema terrestre. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. e Brandstetter, J. Raffinamento delle PDE: ottenere estrusioni lunghe accurate con un risolutore neurale di PDE. 37a Conferenza sui sistemi di elaborazione delle informazioni neurali (NeurIPS 2023).
Frachas, PR et al. Algoritmo di backpropagation e calcolo del serbatoio nelle reti neurali ricorrenti per la previsione di dinamiche spaziotemporali complesse. Rete neurale. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. e Karniadakis, GE Fisica, informatica, reti neurali: un framework di apprendimento profondo per la risoluzione di problemi diretti e inversi che coinvolgono equazioni differenziali parziali non lineari. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. e Schönlieb, K.-B. Le reti neurali basate sulla fisica possono superare i metodi agli elementi finiti? IMA J. Applicazioni. matematica. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M. e Gómez-Romero, J. Reti neurali basate sulla fisica per la modellazione basata sui dati: vantaggi, limiti e opportunità. fisica. A 610, 128415 (2023).
Zhuang, P.-Y. e Barba, LA. Un rapporto empirico sulle reti neurali basate sulla fisica nella modellazione dei fluidi: insidie e delusioni. Preprint disponibile all'indirizzo https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. e Barba, LA Limitazioni predittive delle reti neurali fisicamente informate sulla formazione di vortici. Preprint disponibile su https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. e Perdikaris, P. Quando e perché i pinn non riescono ad addestrarsi: una prospettiva del nucleo tangente neurale. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. e Mahoney, MW Caratteristiche delle possibili modalità di guasto nelle reti neurali di informazione fisica. 35a Conferenza sui Sistemi di Elaborazione delle Informazioni Neurali Vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. e Senokak, I. Uno studio critico delle modalità di guasto nelle reti neurali basate sulla fisica. In AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. e Koumoutsakos P. Risoluzione di problemi fisici inversi ottimizzando le perdite discrete: apprendimento rapido e accurato senza reti neurali. processo. National Academy of Sciences. science. Nexus 3, pgae005 (2024).
Gundersen OE Principi fondamentali della riproducibilità. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E e Pearson A. Revisioni sistematiche: una panoramica. Sì. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS e Rohde, K. Reti neurali consapevoli dei vincoli per il problema di Riemann. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ e Adams NA Circuito a volume finito fisicamente informato basato sui dati per shock a tensione ridotta non classici. J. Computer. Fisica. 437, 110324 (2021).
Data di pubblicazione: 29 settembre 2024