קווי בסיס חלשים והטיה בדיווח מובילים לאופטימיות יתר בלמידת מכונה של משוואות דיפרנציאליות חלקיות הקשורות לנוזלים.

תודה שביקרתם באתר Nature.com. גרסת הדפדפן בה אתם משתמשים תמכה ב-CSS באופן מוגבל. לקבלת התוצאות הטובות ביותר, אנו ממליצים להשתמש בגרסה חדשה יותר של הדפדפן שלכם (או להשבית את מצב התאימות ב-Internet Explorer). בינתיים, כדי להבטיח תמיכה מתמשכת, אנו מציגים את האתר ללא עיצוב או JavaScript.
אחד היישומים המבטיחים ביותר של למידת מכונה בפיזיקה חישובית הוא פתרון מואץ של משוואות דיפרנציאליות חלקיות (PDEs). המטרה העיקרית של פותר משוואות דיפרנציאליות חלקיות מבוסס למידת מכונה היא לייצר פתרונות מדויקים מספיק מהר יותר משיטות נומריות סטנדרטיות כדי לשמש כהשוואה בסיסית. ראשית, ערכנו סקירה שיטתית של ספרות למידת מכונה על פתרון משוואות דיפרנציאליות חלקיות. מכל המאמרים המדווחים על שימוש בלמידת מכונה לפתרון משוואות דיפרנציאליות חלקיות זורמות וטוענים לעליונות על פני שיטות נומריות סטנדרטיות, זיהינו 79% (60/76) בהשוואה לקווי בסיס חלשים. שנית, מצאנו עדויות להטיה נרחבת בדיווח, במיוחד בדיווח תוצאות ובהטיה בפרסום. אנו מסיקים כי מחקר למידת מכונה על פתרון משוואות דיפרנציאליות חלקיות הוא אופטימי מדי: נתוני קלט חלשים יכולים להוביל לתוצאות חיוביות מדי, והטיה בדיווח יכולה להוביל לתת-דיווח של תוצאות שליליות. במידה רבה, נראה כי בעיות אלו נגרמות מגורמים דומים למשברי שחזור בעבר: שיקול דעת של חוקרים והטיה חיובית בתוצאות. אנו קוראים לשינוי תרבותי מלמטה למעלה כדי למזער דיווח מוטה ולרפורמה מבנית מלמעלה למטה כדי להפחית תמריצים מעוותים לעשות זאת.
רשימת המחברים והמאמרים שנוצרה על ידי הסקירה השיטתית, כמו גם הסיווג של כל מאמר במדגם האקראי, זמינה לציבור בכתובת https://doi.org/10.17605/OSF.IO/GQ5B3 (הפניה 124).
את הקוד הדרוש לשחזור התוצאות בטבלה 2 ניתן למצוא ב-GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (הפניה 125) וב-Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (קישור 126) וב-https://codeocean.com/capsule/0799002/tree/v1 (קישור 127).
רנדל, ד., וולזר, ק., משבר אי-השיחזור במדע המודרני: סיבות, השלכות ודרכי רפורמה (האגודה הלאומית של מדענים, 2018).
ריצ'י, ס. מדע בדיוני: כיצד הונאה, הטיה, שתיקה והייפ חותרים תחת החיפוש אחר האמת (וינטג', 2020).
שיתוף פעולה מדעי פתוח. הערכת שחזור במדעי הפסיכולוגיה. Science 349, AAAC4716 (2015).
פרינץ, פ., שלנג', ט., ואסדאללה, ק. תאמינו או לא: עד כמה נוכל להסתמך על נתונים שפורסמו על מטרות פוטנציאליות לתרופות? Nat. Rev. "גילוי התרופות." 10, 712 (2011).
בגלי, ק"ג ואליס, ל"מ העלאת סטנדרטים במחקר סרטן פרה-קליני. Nature 483, 531–533 (2012).
א. גלמן וא. לוקן, גן השבילים המתפצלים: מדוע השוואות מרובות הן בעיה גם ללא "מסעות דיג" או "p-hacks" והשערות מחקר מוכנות מראש, כרך 348, 1–17 (המחלקה לסטטיסטיקה, 2013).
קראג'ורגי, ג', קסקה, ג', קרביץ, ש', נחמן, ב', ושי, ד'. למידת מכונה בחיפוש אחר פיזיקה בסיסית חדשה. דוקטורט בפילוסופיה בפיזיקה. 4, 399–412 (2022).
דארה ס', דמרצ'רל ס', ג'אדאב ס'ס, באבו סי.אם. ואחסן מ.ג'. למידת מכונה בגילוי תרופות: סקירה. אטיף. אינטל. עורך. 55, 1947–1999 (2022).
מאת'ר, א.ס. וקוט, מ.ל. למידה עמוקה בכימיה. J.Chemistry. notify. Model. 59, 2545–2559 (2019).
ראג'קומאר א., דין ג'. וקוהאן א. למידת מכונה ברפואה. כתב העת הרפואי של ניו אינגלנד. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. and Stewart BM. למידת מכונה במדעי החברה: גישה אגנוסטית. הכומר אן בול. science. 24, 395–419 (2021).
ג'אמפ, ג'. ואחרים. בצעו תחזיות מדויקות ביותר של מבנה חלבונים באמצעות alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., and Gil, Y. מקורות לאי-שחזור בלמידת מכונה: סקירה. הדפסה מוקדמת זמינה בכתובת https://arxiv.org/abs/2204.07610 (2022).
סקאלי, ד., סנוק, ג'., וילטשקו, א., ורחימי, א. קללת המנצח? על המהירות, ההתקדמות והקפדנות של ראיות אמפיריות (ICLR, 2018).
ארמסטרונג, ט.ג., מופאט, א., וובר, וו., וזובל, י. שיפורים לא-תוספים: תוצאות חיפוש ראשוניות מאז 1998. כנס ACM ה-18 לניהול מידע וידע 601–610 (ACM 2009).
קאפור, ס. ונראיאן, א. משברי דליפה ושחזור במדע מבוסס למידת מכונה. Patterns, 4, 100804 (2023).
קאפור ס. ואחרים. רפורמה: סטנדרטים לדיווח מדעי המבוססים על למידת מכונה. הדפסה מוקדמת זמינה בכתובת https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., and Recht, B. השוואות חסרות משמעות עלולות להוביל לאופטימיות כוזבת בלמידת מכונה רפואית. PloS ONE 12, e0184604 (2017).
רוברטס, מ., ואחרים. מלכודות נפוצות ושיטות עבודה מומלצות לשימוש בלמידת מכונה לגילוי וחיזוי COVID-19 מצילומי רנטגן של החזה וטומוגרפיה ממוחשבת. Nat. Max. Intel. 3, 199–217 (2021).
וויננץ ל. ואחרים. מודלים ניבוייים לאבחון ופרוגנוזה של COVID-19: סקירה שיטתית והערכה ביקורתית. BMJ 369, m1328 (2020).
וויילן ס., שרייבר ג'., נובל וו.ס. ופולארד ק.ס. התגברות על המכשולים של שימוש בלמידת מכונה בגנומיקה. Nat. Pastor Ginette. 23, 169–181 (2022).
אטריס נ. ואחרים. שיטות עבודה מומלצות ללמידת מכונה בכימיה. Nat. Chemical. 13, 505–508 (2021).
Brunton SL ו-Kutz JN כיוונים מבטיחים ללמידת מכונה של משוואות דיפרנציאליות חלקיות. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. and Brunton, SL שיפור דינמיקת נוזלים חישובית באמצעות למידת מכונה. Nat. calculate. science. 2, 358–366 (2022).
קומו, ס. ואחרים. למידת מכונה מדעית עם רשתות עצביות מבוססות מידע פיזיקלי: היכן אנו נמצאים כעת ומה הלאה. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., and Xiao, H. מידול טורבולנציה בעידן הנתונים. מהדורה מתוקנת של Ann. 51, 357–377 (2019).
דוראן, ד"ר. שיטות נומריות לפתרון משוואות גלים בהידרודינמיקה גיאופיזית, כרך 32 (ספרינגר, 2013).
מישרה, ש. מסגרת למידת מכונה להאצת חישוב מונחה נתונים של משוואות דיפרנציאליות. מתמטיקה. מהנדס. https://doi.org/10.3934/Mine.2018.1.118 (2018).
קוצ'יקוב ד. ואחרים. למידת מכונה - האצת דינמיקת נוזלים חישובית. תהליך. האקדמיה הלאומית למדעים. science. US 118, e2101784118 (2021).
קדאפה, ק. למידת מכונה למדעי המחשב והנדסה - מבוא קצר וכמה סוגיות מרכזיות. הדפסה מוקדמת זמינה בכתובת https://arxiv.org/abs/2112.12054 (2021).
רוס, א., לי, ז., פרז'וגין, פ., פרננדז-גרנדה, ק., וזאנה, ל. ניתוח השוואתי של פרמטריזציה של תת-רשת אוקיינוס באמצעות למידת מכונה במודלים אידיאליים. J.Adv. Model. מערכת כדור הארץ. 15. e2022MS003258 (2023).
ליפה, פ., וילינג, ב., פרדיקריס, פ., טרנר, ר., וברנדסטטר, י. עידון PDE: השגת שיחול ארוך מדויק בעזרת פותר PDE עצבי. כנס 37 למערכות עיבוד מידע עצביות (NeurIPS 2023).
Frachas, PR ואחרים. אלגוריתם התפשטות לאחור וחישוב מאגר ברשתות עצביות חוזרות לחיזוי דינמיקה מרחבית-זמנית מורכבת. neural network. 126, 191–217 (2020).
ראיסי, מ., פרדיקריס, פ. וקרניאדאקיס, GE Physics, מדעי המחשב, רשתות עצביות: מסגרת למידה עמוקה לפתרון בעיות קדמיות והפוכות הכוללות משוואות דיפרנציאליות חלקיות לא לינאריות. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., and Schönlieb, K.-B. האם רשתות עצביות מבוססות פיזיקה יכולות להתעלות על שיטות אלמנטים סופיים? IMA J. Applications. mathematics. 89, 143–174 (2024).
דה לה מאטה, פ.פ., גיחון, א., מולינה-סולנה, מ., וגומז-רומרו, י. רשתות עצביות מבוססות פיזיקה עבור מידול מונחה נתונים: יתרונות, מגבלות והזדמנויות. פיזיקה. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA דו"ח אמפירי על רשתות עצביות מבוססות פיזיקה במידול נוזלים: מלכודות ואכזבות. הדפסה מוקדמת זמינה בכתובת https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. and Barba, LA. מגבלות ניבוי של רשתות עצביות מבוססות מידע פיזיקלי על היווצרות מערבולת. הדפסה מוקדמת זמינה בכתובת https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., and Perdikaris, P. מתי ומדוע פינים נכשלים באימון: פרספקטיבה של גרעין משיק עצבי. J. Computer. physics. 449, 110768 (2022).
קרישנפריאן, א., גולאמי, א., ז'ה, ס., קירבי, ר., ומהוני, מ"ו. מאפייני מצבי כשל אפשריים ברשתות מידע עצביות פיזיות. הכנס ה-35 למערכות עיבוד מידע עצביות כרך 34, 26548–26560 (NeurIPS 2021).
Basir, S. and Senokak, I. מחקר ביקורתי של אופני כשל ברשתות נוירונים מבוססות פיזיקה. בתוך AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
קרנאקוב פ., ליטבינוב ס. וקומאוטסאקוס פ. פתרון בעיות פיזיקליות הפוכות על ידי אופטימיזציה של הפסדים בדידים: למידה מהירה ומדויקת ללא רשתות עצביות. תהליך. האקדמיה הלאומית למדעים. מדע. Nexus 3, pgae005 (2024).
גונדרסן OE עקרונות בסיסיים של שחזור. פיל.קרוס. ר. שוקר. A 379, 20200210 (2021).
Aromataris E ו-Pearson A. סקירות שיטתיות: סקירה כללית. Yes. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, and Rohde, K. רשתות עצביות מודעות לאילוצים עבור בעיית רימן. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ ו-Adams NA מעגל נפח סופי מבוסס נתונים עם מידע פיזיקלי עבור זעזועים לא קלאסיים בעלי מתח מופחת. J. Computer. physics. 437, 110324 (2021).