Nature.com을 방문해 주셔서 감사합니다. 현재 사용 중인 브라우저 버전은 CSS 지원이 제한적입니다. 최상의 결과를 얻으려면 최신 버전의 브라우저를 사용하거나 Internet Explorer에서 호환 모드를 비활성화하는 것이 좋습니다. 그동안 지속적인 지원을 위해 스타일이나 JavaScript 없이 사이트를 표시하고 있습니다.
계산물리학에서 머신러닝의 가장 유망한 응용 분야 중 하나는 편미분 방정식(PDE)의 가속 해법입니다. 머신러닝 기반 편미분 방정식 솔버의 주요 목표는 표준 수치 방법보다 충분히 빠르게 정확한 해를 산출하여 기준선 비교를 가능하게 하는 것입니다. 먼저 편미분 방정식 풀이에 관한 머신러닝 관련 문헌을 체계적으로 검토했습니다. 유체 편미분 방정식 풀이에 머신러닝을 활용하고 표준 수치 방법보다 우수하다고 주장하는 논문 중 79%(60/76)가 약한 기준선과 비교되었습니다. 둘째, 특히 결과 보고 및 출판 편향에서 광범위한 보고 편향의 증거를 발견했습니다. 편미분 방정식 풀이에 대한 머신러닝 연구는 지나치게 낙관적이라고 결론지었습니다. 약한 입력 데이터는 지나치게 긍정적인 결과로 이어질 수 있으며, 보고 편향은 부정적인 결과의 과소 보고로 이어질 수 있습니다. 이러한 문제는 대체로 과거의 재현성 위기와 유사한 요인, 즉 연구자의 재량권과 긍정적 결과 편향에 기인하는 것으로 보입니다. 우리는 편향된 보고를 최소화하기 위해 하향식 문화적 변화를 요구하고, 그렇게 하려는 왜곡된 인센티브를 줄이기 위해 상향식 구조 개혁을 요구합니다.
체계적 고찰을 통해 생성된 저자 및 논문 목록과 무작위 표본에서 각 논문을 분류한 내용은 https://doi.org/10.17605/OSF.IO/GQ5B3(참조 124)에서 공개적으로 제공됩니다.
표 2의 결과를 재현하는 데 필요한 코드는 GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (참조 125) 및 Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (링크 126) 및 https://codeocean.com/capsule/0799002/tree/v1 (링크 127)에서 찾을 수 있습니다.
랜달 D., 웰저 K., 현대 과학의 재현 불가능성 위기: 원인, 결과 및 개혁 경로(미국 과학자 협회, 2018).
리치, S. 공상과학: 사기, 편견, 침묵, 과장이 진실 탐구를 어떻게 훼손하는가(빈티지, 2020).
공개 과학 협력. 심리과학의 재현성 평가. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., and Asadullah, K. 믿거나 말거나: 잠재적 약물 표적에 대한 발표된 데이터를 얼마나 신뢰할 수 있을까? Nat. Rev. "The Discovery of Drugs." 10, 712 (2011).
Begley, KG 및 Ellis, LM 전임상 암 연구의 기준 제고. Nature 483, 531–533 (2012).
A. Gelman과 E. Loken, 『갈리는 길의 정원: 왜 다중 비교가 "낚시 탐험"이나 "p-해킹" 및 사전 형성된 연구 가설 없이도 문제인가』, 제348권, 1-17쪽(통계학과, 2013년).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., and Shi, D. 새로운 기초 물리학을 찾는 기계 학습. 미국 물리학 박사. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM, Ahsan MJ. 신약 개발에서의 머신러닝: 고찰. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS 및 Coote, ML 화학에서의 딥러닝. J.Chemistry. Notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J., Kohan I. 의학에서의 머신러닝. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. 및 Stewart BM 사회과학에서의 머신러닝: 불가지론적 접근. Rev. Ann Ball. 과학. 24, 395–419 (2021).
Jump, J. 외. 알파폴드를 이용한 매우 정확한 단백질 구조 예측. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., and Gil, Y. 기계 학습에서 재현 불가능성의 원인: 고찰. 사전 인쇄본은 https://arxiv.org/abs/2204.07610 (2022)에서 확인할 수 있습니다.
Scully, D., Snook, J., Wiltschko, A., and Rahimi, A. 승자의 저주? 경험적 증거의 속도, 진보, 그리고 엄밀성에 관하여 (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., Zobel, J. 비가산적 향상: 1998년 이후의 예비 검색 결과. 제18회 ACM 정보 및 지식 관리 컨퍼런스 601-610(ACM 2009).
Kapoor, S. 및 Narayanan, A. 기계 학습 기반 과학에서의 누출 및 재현성 위기. Patterns, 4, 100804 (2023).
Kapoor S. 외. "개혁: 기계 학습 기반 과학적 보고 기준". 사전 인쇄본은 https://arxiv.org/abs/2308.07832 (2023)에서 확인할 수 있습니다.
DeMasi, O., Cording, C., Recht, B. 무의미한 비교는 의료 기계 학습에서 잘못된 낙관주의로 이어질 수 있다. PloS ONE 12, e0184604 (2017).
Roberts, M. 외. 흉부 엑스레이 및 컴퓨터 단층촬영(CT)을 이용한 COVID-19 탐지 및 예측을 위한 머신러닝 활용의 일반적인 함정과 모범 사례. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. 외. COVID-19 진단 및 예후 예측 모델: 체계적 문헌 고찰 및 비판적 평가. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS, Pollard KS: 유전체학에서 머신러닝 활용의 함정 극복. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. 외. 화학 분야 머신러닝 모범 사례. Nat. Chemical. 13, 505–508 (2021).
Brunton SL 및 Kutz JN 편미분 방정식의 기계 학습을 위한 유망한 방향. Nat. Calculate. Science. 4, 483–494 (2024).
Vinuesa, R. 및 Brunton, SL 기계 학습을 통한 전산 유체 역학 개선. Nat. Calculate. Science. 2, 358–366 (2022).
Comeau, S. 외. 물리적 정보 신경망을 활용한 과학적 기계 학습: 현재 위치와 미래. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., and Xiao, H. 데이터 시대의 난류 모델링. Ann. 51, 357–377 (2019) 개정판.
Durran, DR 지구물리학 유체역학에서 파동 방정식을 풀기 위한 수치적 방법, 제32권(Springer, 2013).
Mishra, S. 미분 방정식의 데이터 기반 계산을 가속화하기 위한 머신 러닝 프레임워크. 수학. 엔지니어. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. 외. 머신러닝 - 전산유체역학 가속. 프로세스. 미국 국립과학원. 과학. US 118, e2101784118 (2021).
Kadapa, K. 컴퓨터 과학 및 공학을 위한 머신러닝 - 간략한 소개와 몇 가지 주요 쟁점. 사전 인쇄본은 https://arxiv.org/abs/2112.12054 (2021)에서 확인할 수 있습니다.
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., and Zanna, L. 이상화된 모델에서 기계 학습 해양 아격자 매개변수화의 비교 분석. J.Adv. 모델. 지구 시스템. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., Brandstetter, J. PDE 개선: 신경 PDE 솔버를 사용하여 정확한 긴 돌출 구현. 제37회 신경 정보 처리 시스템 학회(NeurIPS 2023).
Frachas, PR et al. 복잡한 시공간 동역학 예측을 위한 순환 신경망에서의 역전파 알고리즘 및 저수지 계산. 신경망. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. 및 Karniadakis, GE Physics, 컴퓨터 과학, 신경망: 비선형 편미분 방정식을 포함하는 순방향 및 역방향 문제를 해결하기 위한 딥러닝 프레임워크. J. Computer. Physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., and Schönlieb, K.-B. 물리학 기반 신경망이 유한요소법을 능가할 수 있을까? IMA J. 응용수학. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., and Gómez-Romero, J. 데이터 기반 모델링을 위한 물리 기반 신경망: 장점, 한계 및 기회. 물리학. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA 유체 모델링에서 물리 기반 신경망에 대한 실증 보고서: 함정과 실망. 사전 인쇄본은 https://arxiv.org/abs/2205.14249 (2022)에서 확인할 수 있습니다.
Zhuang, P.-Y. 및 Barba, LA. 와류 형성에 대한 물리적 정보 신경망의 예측 한계. 사전 인쇄본은 https://arxiv.org/abs/2306.00230 (2023)에서 확인할 수 있습니다.
Wang, S., Yu, H., and Perdikaris, P. 핀 훈련 실패 시점 및 이유: 신경 접선 핵 관점. J. Computer. Physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., 및 Mahoney, MW 물리적 정보 신경망의 가능한 실패 모드의 특성. 제35회 신경 정보 처리 시스템 컨퍼런스 Vol. 34, 26548–26560(NeurIPS 2021).
Basir, S. 및 Senokak, I. 물리 기반 신경망의 실패 모드에 대한 비판적 연구. AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S., Koumoutsakos P. 이산 손실 최적화를 통한 물리 역문제 해결: 신경망 없이 빠르고 정확한 학습. 프로세스. 미국 국립과학원. 과학. Nexus 3, pgae005 (2024).
Gundersen OE 재현성의 기본 원칙. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E와 Pearson A. 체계적 고찰: 개요. 예. 간호학 저널 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, and Rohde, K. 리만 문제를 위한 제약 조건 인식 신경망. J. Computer. Physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ 및 Adams NA: 비고전적 감전압 충격을 위한 데이터 기반 물리 정보 유한 체적 회로. J. Computer. Physics. 437, 110324 (2021).
게시 시간: 2024년 9월 29일