Matur nuwun kanggo ngunjungi Nature.com. Versi browser sing sampeyan gunakake nduweni dhukungan CSS sing winates. Kanggo asil sing paling apik, disaranake sampeyan nggunakake versi browser sing luwih anyar (utawa mateni Mode Kompatibilitas ing Internet Explorer). Ing sawetoro wektu, kanggo njamin dhukungan sing terus-terusan, kita nuduhake situs kasebut tanpa gaya utawa JavaScript.
Salah sawijining aplikasi machine learning sing paling njanjeni ing fisika komputasi yaiku solusi akselerasi persamaan diferensial parsial (PDE). Tujuan utama pemecah persamaan diferensial sebagean basis learning mesin yaiku ngasilake solusi sing cukup akurat luwih cepet tinimbang metode numerik standar kanggo dadi perbandingan garis dasar. Kaping pisanan, kita nindakake tinjauan sistematis babagan literatur pembelajaran mesin babagan ngrampungake persamaan diferensial parsial. Saka kabeh makalah sing nglaporake panggunaan ML kanggo ngatasi persamaan diferensial parsial cairan lan ngakoni kaunggulan liwat metode numerik standar, kita nemtokake 79% (60/76) dibandhingake karo garis dasar sing lemah. Kapindho, kita nemokake bukti bias laporan sing nyebar, utamane ing laporan asil lan bias publikasi. Kita nyimpulake yen riset machine learning kanggo ngrampungake persamaan diferensial parsial banget optimistis: data input sing lemah bisa nyebabake asil sing positif banget, lan bias nglaporake bisa nyebabake kurang laporan asil negatif. Umume, masalah kasebut disebabake dening faktor sing padha karo krisis reproduksibilitas sing kepungkur: kawicaksanan penyidik lan bias asil positif. Kita njaluk owah-owahan budaya ngisor-up kanggo nyilikake laporan bias lan reformasi struktural ndhuwur-mudhun kanggo ngurangi insentif perverse kanggo nglakoni.
Dhaptar penulis lan artikel sing digawe dening review sistematis, uga klasifikasi saben artikel ing sampel acak, kasedhiya kanggo publik ing https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124).
Kode sing dibutuhake kanggo ngasilake asil ing Tabel 2 bisa ditemokake ing GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) lan ing Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (link 126) lan https://codeocean.com/capsule/0799002/tree/v1 (pranala 127).
Randall, D., lan Welser, K., The Irreproducibility Crisis in Modern Science: Causes, Consequences, and Pathways for Reform (Asosiasi Ilmuwan Nasional, 2018).
Ritchie, S. Fiksi Ilmiah: Kepiye Penipuan, Bias, Kasepen, lan Hype Ngrusak Panelusuran Bebener (Vintage, 2020).
Bukak kolaborasi ilmiah. Netepake reproducibility ing ilmu psikologi. Ilmu 349, AAAC4716 (2015).
Prinz, F., Schlange, T., lan Asadullah, K. Pracaya utawa ora: Pinten kita bisa ngandelake data sing diterbitake babagan target obat potensial? Nat. Rev. "Penemuan Narkoba." 10, 712 (2011).
Begley, KG lan Ellis, LM Raising standar ing riset kanker preclinical. Alam 483, 531–533 (2012).
A. Gelman lan E. Loken, Taman Forking Paths: Apa Multiple Comparisons Masalah Malah Tanpa "Ekspedisi Fishing" utawa "p-hacks" lan Preformed Research Hipotesis, vol. 348, 1–17 (Departemen Statistik, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., lan Shi, D. Machine learning ing panelusuran fisika dhasar anyar. Nat. Doktor Filsafat ing Fisika. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM, Ahsan MJ. Pembelajaran mesin ing panemuan obat: review. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS lan Coote, ML Deep learning in chemistry. J. Kimia. ngabari. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. lan Kohan I. Machine learning in medicine. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. lan Stewart BM Machine learning ing ilmu sosial: pendekatan agnostik. Pdt. Ann Ball. ngelmu. 24, 395–419 (2021).
Langsung, J. et al. Nggawe prediksi struktur protein sing akurat banget nggunakake alphafold. Alam 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., lan Gil, Y. Sumber irreproducibility ing machine learning: A review. Preprint kasedhiya ing https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., lan Rahimi, A. Kutukan pemenang? Ing kacepetan, kemajuan lan kaku bukti empiris (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., lan Zobel, J. Peningkatan non-aditif: asil panelusuran awal wiwit 1998. 18th ACM Conference on Information and Knowledge Management 601-610 (ACM 2009).
Kapoor, S. and Narayanan, A. Leakage and reproducibility crises in machine learning-based science. Pola, 4, 100804 (2023).
Kapoor S. et al. Reformasi: standar laporan ilmiah adhedhasar pembelajaran mesin. Preprint kasedhiya ing https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., lan Recht, B. Perbandingan sing ora ana gunane bisa nyebabake optimisme palsu ing pembelajaran mesin medis. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Jeblugan umum lan praktik paling apik kanggo nggunakake pembelajaran mesin kanggo ndeteksi lan prédhiksi COVID-19 saka sinar x dada lan tomografi komputasi. Nat. Maks. Intel. 3, 199–217 (2021).
Winantz L. et al. Model prediktif kanggo diagnosis lan prognosis COVID-19: tinjauan sistematis lan penilaian kritis. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS lan Pollard KS Ngatasi pitfalls nggunakake machine learning ing genomik. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Praktik paling apik kanggo sinau mesin ing kimia. Nat. Kimia. 13, 505–508 (2021).
Brunton SL lan Kutz JN Promising directions kanggo machine learning saka persamaan diferensial parsial. Nat. ngitung. ngelmu. 4, 483–494 (2024).
Vinuesa, R. lan Brunton, SL Ngapikake dinamika cairan komputasi liwat learning machine. Nat. ngitung. ngelmu. 2, 358–366 (2022).
Comeau, S. et al. Sinau mesin ilmiah kanthi jaringan saraf sing diweruhi sacara fisik: Ing endi saiki lan apa sing bakal ditindakake. J. Ilmu. ngitung. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., and Xiao, H. Turbulence modeling in the data era. Edisi revisi Ann. 51, 357–377 (2019).
Durran, DR Metode numerik kanggo ngrampungake persamaan gelombang ing hidrodinamika geofisika, vol. 32 (Springer, 2013).
Mishra, S. A framework learning machine kanggo nyepetake komputasi data-driven saka persamaan diferensial. matématika. insinyur. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Pembelajaran mesin - percepatan dinamika cairan komputasi. proses. Akademi Ilmu Pengetahuan Nasional. ngelmu. US 118, e2101784118 (2021).
Kadapa, K. Pembelajaran mesin kanggo ilmu komputer lan teknik - introduksi singkat lan sawetara masalah utama. Preprint kasedhiya ing https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., lan Zanna, L. Analisis komparatif saka machine learning paramèterisasi subgrid samudra ing model ideal. J. Adv. Model. sistem bumi. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., lan Brandstetter, J. PDE refinement: entuk ekstrusi dawa sing akurat kanthi pemecah PDE saraf. Konferensi kaping 37 babagan Sistem Pemrosesan Informasi Syaraf (NeurIPS 2023).
Frachas, PR et al. Algoritma backpropagation lan pitungan reservoir ing jaringan saraf ambalan kanggo prédhiksi dinamika spatiotemporal kompleks. jaringan syaraf. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. and Karniadakis, GE Physics, computer science, neural networks: a deep learning framework for solving forward and inverse problems involving nonlinear parsial differential equations. J. Komputer. fisika. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., lan Schönlieb, K.-B. Apa jaringan syaraf adhedhasar fisika bisa ngalahake metode unsur terhingga? IMA J. Aplikasi. matématika. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., lan Gómez-Romero, J. Fisika basis jaringan syaraf kanggo modeling data-driven: kaluwihan, watesan, lan kesempatan. fisika. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Laporan empiris babagan jaringan saraf berbasis fisika ing pemodelan cairan: pitfalls lan kuciwo. Preprint kasedhiya ing https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. lan Barba, LA Watesan prediktif saka jaringan syaraf informasi fisik babagan pembentukan vortex. Preprint kasedhiya ing https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., lan Perdikaris, P. Nalika lan ngapa pinns gagal nglatih: Perspektif inti tangen saraf. J. Komputer. fisika. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., and Mahoney, MW Karakteristik mode kegagalan sing mungkin ing jaringan saraf informasi fisik. Konferensi kaping 35 babagan Sistem Pengolahan Informasi Syaraf Vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. and Senokak, I. A study critical of failure modes in physics-based neural networks. Ing AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. lan Koumoutsakos P. Ngatasi masalah kuwalik fisik kanthi ngoptimalake kerugian diskrit: sinau cepet lan akurat tanpa jaringan saraf. proses. Akademi Ilmu Pengetahuan Nasional. ngelmu. Nexus 3, pgae005 (2024).
Gundersen OE Prinsip dhasar reproduksibilitas. Phil.salib. R. Shuker. A 379, 20200210 (2021).
Aromataris E lan Pearson A. Tinjauan sistematis: ringkesan. ya wis. J. Nursing 114, 53-58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, lan Rohde, K. Kendala-sadar jaringan saraf kanggo masalah Riemann. J. Komputer. fisika. 409, 109345 (2020).
Bezgin DA, Schmidt SJ lan Adams NA Data-driven fisik informed sirkuit volume terhingga kanggo kejut voltase suda non-klasik. J. Komputer. fisika. 437, 110324 (2021).
Wektu kirim: Sep-29-2024