Dėkojame, kad apsilankėte Nature.com. Jūsų naudojama naršyklės versija turi ribotą CSS palaikymą. Norėdami gauti geriausius rezultatus, rekomenduojame naudoti naujesnę naršyklės versiją (arba išjungti suderinamumo režimą „Internet Explorer“). Tuo tarpu, siekdami užtikrinti nuolatinį palaikymą, svetainę rodome be stiliaus ar „JavaScript“.
Vienas iš perspektyviausių mašininio mokymosi taikymų skaičiavimo fizikoje yra pagreitintas dalinių diferencialinių lygčių (DDI) sprendimas. Pagrindinis mašininio mokymosi pagrindu sukurto dalinių diferencialinių lygčių sprendiklio tikslas yra gauti sprendimus, kurie būtų pakankamai tikslūs greičiau nei standartiniai skaitiniai metodai, kad juos būtų galima naudoti kaip bazinį palyginimą. Pirmiausia atliekame sisteminę mašininio mokymosi literatūros apie dalinių diferencialinių lygčių sprendimą apžvalgą. Iš visų straipsnių, kuriuose pranešama apie mašininio mokymosi naudojimą skystosioms dalinėms diferencialinėms lygtims spręsti ir teigiama, kad jie pranašesni už standartinius skaitinius metodus, nustatėme 79 % (60/76), palyginti su silpnais baziniais lygiais. Antra, radome įrodymų apie plačiai paplitusį ataskaitų teikimo šališkumą, ypač rezultatų ataskaitų ir publikavimo šališkumo srityje. Darome išvadą, kad mašininio mokymosi tyrimai, skirti dalinių diferencialinių lygčių sprendimui, yra pernelyg optimistiški: silpni įvesties duomenys gali lemti pernelyg teigiamus rezultatus, o ataskaitų teikimo šališkumas gali lemti neigiamų rezultatų nepakankamą pateikimą. Atrodo, kad šias problemas daugiausia lemia veiksniai, panašūs į ankstesnius atkuriamumo krizių atvejus: tyrėjo nuožiūra ir teigiamų rezultatų šališkumas. Raginame keisti kultūrą „iš apačios į viršų“, kad būtų kuo labiau sumažintas šališkas ataskaitų teikimas, ir vykdyti struktūrinę reformą „iš viršaus į apačią“, kad būtų sumažintos ydingos paskatos tai daryti.
Sisteminės apžvalgos metu sudarytas autorių ir straipsnių sąrašas, taip pat kiekvieno atsitiktinės imties straipsnio klasifikacija, yra viešai prieinama adresu https://doi.org/10.17605/OSF.IO/GQ5B3 (nuoroda 124).
Kodą, reikalingą 2 lentelėje pateiktiems rezultatams atkurti, galima rasti „GitHub“: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (nuoroda 125) ir „Code Ocean“: https://codeocean.com/capsule/9605539/Tree/v1 (nuoroda 126) ir https://codeocean.com/capsule/0799002/tree/v1 (nuoroda 127).
Randall, D. ir Welser, K., Neatkartojamumo krizė šiuolaikiniame moksle: priežastys, pasekmės ir reformos keliai (Nacionalinė mokslininkų asociacija, 2018).
Ritchie, S. Mokslinė fantastika: kaip sukčiavimas, šališkumas, tyla ir ažiotažas kenkia tiesos paieškoms (Vintage, 2020).
Atviras mokslinis bendradarbiavimas. Pakartojamumo vertinimas psichologijos moksle. „Science 349“, AAAC4716 (2015).
Prinz, F., Schlange, T. ir Asadullah, K. Tikėkite ar ne: kiek galime pasikliauti paskelbtais duomenimis apie galimus vaistų taikinius? Nat. Rev. „Vaistų atradimas“. 10, 712 (2011).
Begley, KG ir Ellis, LM „Ikiklinikinių vėžio tyrimų standartų kėlimas“. „Nature“ 483, 531–533 (2012).
A. Gelman ir E. Loken, „Išsišakojusių takų sodas: kodėl daugkartiniai palyginimai yra problema net ir be „žvejybos ekspedicijų“ ar „p-hackų“ ir „Iš anksto suformuotos tyrimų hipotezės“, t. 348, 1–17 (Statistikos departamentas, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. ir Shi, D. Mašininis mokymasis ieškant naujos fundamentaliosios fizikos. Nat. Physics ...
Dara S., Damercherla S., Jadhav S. S., Babu C. M. ir Ahsan M. Mašininis mokymasis vaistų atradime: apžvalga. Atif. Intel. Leid. 55, 1947–1999 (2022).
Mather, AS ir Coote, ML. Gilusis mokymasis chemijoje. J. Chemistry. Notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. ir Kohan I. Mašininis mokymasis medicinoje. „New England Journal of Medicine“. 380, 1347–1358 (2019).
Grimmer J., Roberts ME. ir Stewart BM Mašininis mokymasis socialiniuose moksluose: agnostinis požiūris. Rev. Ann Ball. science. 24, 395–419 (2021).
Jump, J. ir kt. Atlikite labai tikslias baltymų struktūros prognozes naudodami alfa-sulankstymą (alpha-fold). Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. ir Gil, Y. Neatkuriamumo šaltiniai mašininiame mokymesi: apžvalga. Išankstinis spausdinimas prieinamas adresu https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. ir Rahimi, A. Winner's Curse? Apie empirinių įrodymų greitį, pažangą ir griežtumą (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. ir Zobel, J. Nepapildomi patobulinimai: preliminarūs paieškos rezultatai nuo 1998 m. 18-oji ACM informacijos ir žinių valdymo konferencija, 601–610 (ACM 2009).
Kapoor, S. ir Narayanan, A. Nuotėkio ir atkuriamumo krizės mašininio mokymosi pagrindu sukurtame moksle. Patterns, 4, 100804 (2023).
Kapoor S. ir kt. Reforma: mokslinio ataskaitų teikimo standartai, pagrįsti mašininiu mokymusi. Išankstinis spausdinimas prieinamas adresu https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C. ir Recht, B. Beprasmiai palyginimai gali sukelti klaidingą optimizmą medicininio mašininio mokymosi srityje. PloS ONE 12, e0184604 (2017).
Roberts, M. ir kt. Dažniausi mašininio mokymosi taikymo COVID-19 aptikimui ir prognozavimui naudojant krūtinės ląstos rentgeno nuotraukas ir kompiuterinę tomografiją spąstai ir geriausia praktika. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. ir kt. COVID-19 diagnostikos ir prognozės prognozavimo modeliai: sisteminė apžvalga ir kritinis vertinimas. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS ir Pollard KS „Kaip įveikti mašininio mokymosi naudojimo genomikoje spąstus“. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. ir kt. Geriausia mašininio mokymosi chemijoje praktika. Nat. Chemical. 13, 505–508 (2021).
Brunton SL ir Kutz JN Perspektyvios kryptys mašininiam dalinių diferencialinių lygčių mokymuisi. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. ir Brunton, SL. Skaičiavimo skysčių dinamikos tobulinimas taikant mašininį mokymąsi. „Nat. calculate. science“. 2, 358–366 (2022).
Comeau, S. ir kt. Mokslinis mašininis mokymasis naudojant fiziškai informuotus neuroninius tinklus: kur esame dabar ir kas toliau. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. ir Xiao, H. Turbulencijos modeliavimas duomenų eroje. Pataisytas Ann. leidimas. 51, 357–377 (2019).
Durran, DR. Skaitmeniniai bangų lygčių sprendimo metodai geofizikinėje hidrodinamikoje, t. 32 (Springer, 2013).
Mishra, S. Mašininio mokymosi sistema, skirta pagreitinti duomenimis pagrįstą diferencialinių lygčių skaičiavimus. matematika. inžinierius. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. ir kt. Mašininis mokymasis – skaičiavimo skysčių dinamikos spartinimas. Procesas. Nacionalinė mokslų akademija. mokslas. US 118, e2101784118 (2021).
Kadapa, K. Mašininis mokymasis kompiuterių moksle ir inžinerijoje – trumpas įvadas ir kai kurie pagrindiniai klausimai. Išankstinis spausdinimas prieinamas adresu https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. ir Zanna, L. Mašininio mokymosi vandenyno potinklio parametrų lyginamoji analizė idealizuotuose modeliuose. J.Adv. Model. Žemės sistema. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. ir Brandstetter, J. PDE patikslinimas: tikslių ilgų ekstruzijų pasiekimas naudojant neuroninį PDE sprendiklį. 37-oji neuroninių informacijos apdorojimo sistemų konferencija (NeurIPS 2023).
Frachas, PR ir kt. Atgalinio sklidimo algoritmas ir rezervuaro skaičiavimas rekurenciniuose neuroniniuose tinkluose, siekiant numatyti sudėtingą erdvėlaikinę dinamiką. neuroninis tinklas. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. ir Karniadakis, GE Physics, kompiuterių mokslas, neuroniniai tinklai: gilaus mokymosi sistema tiesioginių ir atvirkštinių uždavinių, susijusių su netiesinėmis dalinėmis diferencialinėmis lygtimis, sprendimui. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. ir Schönlieb, K.-B. Ar fizikos pagrįsti neuroniniai tinklai gali pranokti baigtinių elementų metodus? IMA J. Applications. mathematics. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M. ir Gómez-Romero, J. Fizikos pagrindais pagrįsti neuroniniai tinklai duomenimis pagrįstam modeliavimui: privalumai, apribojimai ir galimybės. Fizika. A 610, 128415 (2023).
Zhuang, P.-Y. ir Barba, LA. Empirinė ataskaita apie fizikos pagrindais pagrįstus neuroninius tinklus skysčių modeliavime: spąstai ir nusivylimai. Išankstinis spausdinimas prieinamas adresu https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. ir Barba, LA. Fiziškai pagrįstų neuroninių tinklų prognozavimo apribojimai sūkurių formavimosi metu. Išankstinis spausdinimas prieinamas adresu https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. ir Perdikaris, P. Kada ir kodėl nepavyksta treniruotis su pinais: neuroninio tangentinio branduolio perspektyva. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. ir Mahoney, MW. Galimų gedimų režimų charakteristikos fizinės informacijos neuroniniuose tinkluose. 35-oji neuroninės informacijos apdorojimo sistemų konferencija, 34 tomas, 26548–26560 (NeurIPS 2021).
Basir, S. ir Senokak, I. Kritinis fizikos pagrindu sukurtų neuroninių tinklų gedimų režimų tyrimas. AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakovas P., Litvinovas S. ir Koumoutsakos P. Fizikinių atvirkštinių uždavinių sprendimas optimizuojant diskrečius nuostolius: greitas ir tikslus mokymasis be neuroninių tinklų. procesas. Nacionalinė mokslų akademija. mokslas. Nexus 3, pgae005 (2024).
Gundersen OE Pagrindiniai atkuriamumo principai. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E ir Pearson A. Sisteminės apžvalgos: apžvalga. Taip. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS ir Rohde, K. Apribojimus suvokiantys neuroniniai tinklai Rymano problemai spręsti. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ ir Adams NA. Duomenimis pagrįsta, fiziškai pagrįsta baigtinio tūrio grandinė neklasikiniams sumažintos įtampos šokams. J. Computer. physics. 437, 110324 (2021).
Įrašo laikas: 2024 m. rugsėjo 29 d.