Merci fir Äre Besuch op Nature.com. D'Versioun vum Browser, déi Dir benotzt, huet limitéiert CSS-Ënnerstëtzung. Fir déi bescht Resultater empfeelen mir Iech, eng méi nei Versioun vun Ärem Browser ze benotzen (oder de Kompatibilitéitsmodus am Internet Explorer auszeschalten). An der Zwëschenzäit, fir déi weider Ënnerstëtzung ze garantéieren, weisen mir d'Websäit ouni Styling oder JavaScript.
Eng vun de villverspriechendsten Uwendungen vum Maschinnléieren an der Berechnungsphysik ass d'beschleunegt Léisung vu partiellen Differentialgläichungen (PDEs). D'Haaptzil vun engem op Maschinnléieren baséierte Léisungsmëttel fir partiell Differentialgläichungen ass et, Léisungen ze produzéieren, déi genee genuch sinn, méi séier wéi Standard numeresch Methoden, fir als Basisvergläich ze déngen. Mir maachen als éischt eng systematesch Iwwerpréiwung vun der Literatur iwwer Maschinnléieren iwwer d'Léisung vu partiellen Differentialgläichungen. Vun all de Publikatiounen, déi d'Benotzung vu Maschinnléieren fir flësseg partiell Differentialgläichungen ze léisen beschreiwen an Iwwerleeënheet iwwer Standard numeresch Methoden behaapten, hu mir 79% (60/76) am Verglach mat schwaache Basislinnen identifizéiert. Zweetens hu mir Beweiser fir e verbreetent Berichterstattungsbias fonnt, besonnesch an der Resultatberichterstattung an der Publikatiounsbias. Mir schléissen doraus, datt d'Fuerschung iwwer d'Léisung vu partiellen Differentialgläichungen iwwerdriwwe optimistesch ass: schwaach Inputdaten kënnen zu iwwerdriwwe positiven Resultater féieren, a Berichterstattungsbias kann zu enger Ënnerberichterstattung vun negativen Resultater féieren. Zu engem groussen Deel schéngen dës Problemer duerch Faktoren verursaacht ze ginn, déi ähnlech wéi fréier Reproduzéierbarkeetskrisen sinn: Diskretioun vun den Enquêteuren a positiven Resultatbias. Mir fuerderen e kulturelle Wandel vun ënnen no uewen, fir eng verzerrt Berichterstattung ze minimiséieren, an eng strukturell Reform vun uewen no ënnen, fir pervers Ureizer dofir ze reduzéieren.
D'Lëscht vun den Autoren an Artikelen, déi duerch déi systematesch Iwwerpréiwung generéiert goufen, souwéi d'Klassifikatioun vun all Artikel an der zoufälleger Stichprobe, ass ëffentlech verfügbar op https://doi.org/10.17605/OSF.IO/GQ5B3 (Ref. 124).
De Code, deen néideg ass fir d'Resultater an der Tabell 2 ze reproduzéieren, kann op GitHub fonnt ginn: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (Ref. 125) an op Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (Link 126) an https://codeocean.com/capsule/0799002/tree/v1 (Link 127).
Randall, D., a Welser, K., D'Irreproduzéierbarkeetskris an der moderner Wëssenschaft: Ursaachen, Konsequenzen a Weeër fir Reformen (National Association of Scientists, 2018).
Ritchie, S. Science Fiction: Wéi Bedruch, Viruerteeler, Stillschweigen an Hype d'Sich no der Wourecht ënnergruewen (Vintage, 2020).
Oppe wëssenschaftlech Zesummenaarbecht. Bewäertung vun der Reproduzéierbarkeet an der Psychologie. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., an Asadullah, K. Gleeft et oder net: Wéi vill kënne mir eis op publizéiert Donnéeën iwwer potenziell Medikamentenziler verloossen? Nat. Rev. „The Discovery of Drugs.“ 10, 712 (2011).
Begley, KG an Ellis, LM Erhéijung vun de Standarden an der präklinescher Kriibsfuerschung. Nature 483, 531–533 (2012).
A. Gelman an E. Loken, De Gaart vun de Gabelweeër: Firwat Multiple Vergläicher e Problem sinn, och ouni "Fëscherei-Expeditiounen" oder "P-Hacks" a virgeformte Fuerschungshypothesen, Bd. 348, 1–17 (Department of Statistics, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., a Shi, D. Maschinnléieren op der Sich no neier fundamentaler Physik. Nat. Doctor of Philosophy in Physics. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM an Ahsan MJ. Maschinnléieren an der Medikamentenentdeckung: e Réckbléck. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS a Coote, ML Déifgräifend Léieren an der Chimie. J.Chemistry. notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. a Kohan I. Maschinnléieren an der Medizin. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. a Stewart BM Maschinnléieren an de Sozialwëssenschaften: eng agnostisch Approche. Rev. Ann Ball. science. 24, 395–419 (2021).
Jump, J. et al. Maacht héichpräzis Proteinstrukturprognosen mat Alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., a Gil, Y. Quellen vun der Irreproduzibilitéit am maschinelle Léieren: E Réckbléck. Virdrun verfügbar op https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., a Rahimi, A. De Fluch vum Gewënner? Iwwer d'Geschwindegkeet, de Fortschrëtt an d'Strengheet vun empiresche Beweiser (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., a Zobel, J. Net-additiv Verbesserungen: virleefeg Sichresultater zënter 1998. 18. ACM Konferenz iwwer Informatiouns- a Wëssensmanagement 601–610 (ACM 2009).
Kapoor, S. an Narayanan, A. Leckage- a Reproduzéierbarkeetskrisen an der op Maschinnléieren baséierter Wëssenschaft. Patterns, 4, 100804 (2023).
Kapoor S. et al. Reform: wëssenschaftlech Berichterstattungsstandarden baséiert op maschinellt Léieren. Virdruck verfügbar op https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., a Recht, B. Sinnlos Vergläicher kënnen zu falschem Optimismus am medizinesche Maschinnléieren féieren. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Allgemeng Fallen a Best Practices fir d'Benotzung vu maschinellem Léieren fir COVID-19 duerch Röntgenbiller vum Broschtkorb an Computertomographie z'entdecken an ze viraussoen. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Prädiktiv Modeller fir d'Diagnos a Prognose vu COVID-19: eng systematesch Iwwerpréiwung a kritesch Bewäertung. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS a Pollard KS Iwwerwanne vun de Fallen beim Gebrauch vu maschinellem Léieren an der Genomik. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Best Practices fir maschinellt Léieren an der Chimie. Nat. Chemical. 13, 505–508 (2021).
Brunton SL a Kutz JN Villverspriechend Richtungen fir d'Maschinellt Léieren vu partiellen Differentialgläichungen. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. a Brunton, SL Verbesserung vun der Berechnungsflëssegkeetsdynamik duerch Maschinnléieren. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. et al. Wëssenschaftlecht maschinellt Léieren mat physesch informéierten neuronalen Netzwierker: Wou mir elo sinn a wat kënnt als nächst. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., a Xiao, H. Turbulenzmodelléierung an der Datenzäit. Revidéiert Editioun vun Ann. 51, 357–377 (2019).
Durran, DR Numeresch Methoden fir d'Léisung vu Wellengläichungen an der geophysikalescher Hydrodynamik, Bd. 32 (Springer, 2013).
Mishra, S. E maschinellt Léierframework fir d'Beschleunegung vun der datengedriwwener Berechnung vun Differentialgläichungen. Mathematik. Ingenieur. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Maschinnléieren - Beschleunegung vun der Berechnungsflëssegkeetsdynamik. Prozess. National Academy of Sciences. Wëssenschaft. US 118, e2101784118 (2021).
Kadapa, K. Maschinnléieren fir Informatik an Ingenieurswiesen – eng kuerz Aféierung an e puer Schlësselthemen. Virdruck verfügbar op https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., a Zanna, L. Vergläichend Analyse vun der Parameteriséierung vum Ozeansubgrid duerch maschinellt Léieren an idealiséierte Modeller. J.Adv. Model. Äerdsystem. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., a Brandstetter, J. PDE-Verfeinerung: Erreeche vu präzise laangen Extrusioune mat engem neuronalen PDE-Léiser. 37. Konferenz iwwer neural Informatiounsveraarbechtungssystemer (NeurIPS 2023).
Frachas, PR et al. Backpropagation-Algorithmus a Reservoirberechnung a rezidivéierenden neuronalen Netzwierker fir d'Prognose vu komplexer spatiotemporaler Dynamik. neural network. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. a Karniadakis, GE Physics, Informatik, neuronal Netzwierker: e Deep Learning-Framework fir d'Léisung vu Forward- a Inversproblemer mat netlinearen partiellen Differentialgläichungen. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., a Schönlieb, K.-B. Kënnen op Physik baséiert neuronal Netzwierker Finite-Element-Methoden iwwertraff? IMA J. Applications. mathematics. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., a Gómez-Romero, J. Physikbaséiert neuronal Netzwierker fir datenorientéiert Modelléierung: Virdeeler, Aschränkungen a Méiglechkeeten. Physics. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA En empiresche Bericht iwwer physikbaséiert neuronal Netzwierker am Fluidmodelléieren: Fallen an Enttäuschungen. Virdruck verfügbar op https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. a Barba, LA Prädiktiv Limitatioune vu physesch informéierten neuronalen Netzwierker iwwer d'Bildung vu Wirbelen. Virdrun verfügbar op https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., a Perdikaris, P. Wéini a firwat Pinnen net trainéiere kënnen: Eng Perspektiv vum neuronalen Tangentkär. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., a Mahoney, MW Charakteristike vu méigleche Feelermodi a physeschen Informatiounsneuralen Netzwierker. 35. Konferenz iwwer Neural Informatiounsveraarbechtungssystemer Bd. 34, 26548–26560 (NeurIPS 2021).
Basir, S. a Senokak, I. Eng kritesch Studie iwwer Feelermodi a physikbaséierten neuronalen Netzwierker. Am AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. a Koumoutsakos P. Léisung vu physikaleschen inversen Problemer duerch Optimiséierung vun diskreten Verloschter: séiert a präzist Léieren ouni neuronal Netzwierker. Prozess. National Academy of Sciences. Wëssenschaft. Nexus 3, pgae005 (2024).
Gundersen OE Grondprinzipie vun der Reproduzéierbarkeet. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E a Pearson A. Systematesch Iwwerpréiwungen: en Iwwerbléck. Yes. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, a Rohde, K. Constraint-aware neuronal networks for the Riemann Problem. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ an Adams NA Datengedriwwen, physikalesch informéiert Finite-Volumen-Schaltung fir net-klassesch reduzéiert Spannungsschocken. J. Computer. physics. 437, 110324 (2021).
Zäitpunkt vun der Verëffentlechung: 29. September 2024