Paldies, ka apmeklējāt vietni Nature.com. Jūsu izmantotajai pārlūkprogrammas versijai ir ierobežots CSS atbalsts. Lai iegūtu labākos rezultātus, iesakām izmantot jaunāku pārlūkprogrammas versiju (vai atspējot saderības režīmu pārlūkprogrammā Internet Explorer). Tikmēr, lai nodrošinātu nepārtrauktu atbalstu, vietne tiek rādīta bez stila vai JavaScript.
Viens no daudzsološākajiem mašīnmācīšanās pielietojumiem skaitļošanas fizikā ir paātrināta parciālo diferenciālvienādojumu (PDE) risināšana. Mašīnmācīšanās balstīta parciālo diferenciālvienādojumu risinātāja galvenais mērķis ir radīt risinājumus, kas ir pietiekami precīzi ātrāk nekā standarta skaitliskās metodes, lai tos varētu izmantot kā bāzes līnijas salīdzinājumu. Vispirms mēs veicam sistemātisku mašīnmācīšanās literatūras pārskatu par parciālo diferenciālvienādojumu risināšanu. No visiem rakstiem, kuros ziņots par mašīnmācīšanās izmantošanu šķidīgo parciālo diferenciālvienādojumu risināšanai un apgalvots par pārākumu pār standarta skaitliskajām metodēm, mēs identificējām 79% (60/76) salīdzinājumā ar vājām bāzes līnijām. Otrkārt, mēs atradām pierādījumus par plaši izplatītu ziņošanas neobjektivitāti, jo īpaši rezultātu ziņošanas un publikāciju neobjektivitātē. Mēs secinām, ka mašīnmācīšanās pētījumi par parciālo diferenciālvienādojumu risināšanu ir pārāk optimistiski: vāji ievades dati var novest pie pārāk pozitīviem rezultātiem, un ziņošanas neobjektivitāte var novest pie negatīvu rezultātu nepietiekamas ziņošanas. Lielā mērā šīs problēmas, šķiet, izraisa faktori, kas ir līdzīgi iepriekšējām reproducējamības krīzēm: pētnieka rīcības brīvība un pozitīvu rezultātu neobjektivitāte. Mēs aicinām veikt augšupējas kultūras pārmaiņas, lai samazinātu neobjektīvu ziņošanu, un augšupējas strukturālas reformas, lai mazinātu nepareizus stimulus to darīt.
Sistemātiskās pārskatīšanas rezultātā ģenerētais autoru un rakstu saraksts, kā arī katra nejauši izvēlētā raksta klasifikācija ir publiski pieejama vietnē https://doi.org/10.17605/OSF.IO/GQ5B3 (atsauce 124).
Kodu, kas nepieciešams, lai reproducētu 2. tabulā redzamos rezultātus, var atrast vietnē GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (atsauce 125) un vietnē Code Ocean: https://codeocean.com/capsule/9605539/Tree/v1 (saite 126) un https://codeocean.com/capsule/0799002/tree/v1 (saite 127).
Rendals, D. un Velzers, K., Nereproducējamības krīze mūsdienu zinātnē: cēloņi, sekas un reformu ceļi (Nacionālā zinātnieku asociācija, 2018).
Ritchie, S. Zinātniskā fantastika: Kā krāpšana, aizspriedumi, klusēšana un ažiotāža grauj patiesības meklējumus (Vintage, 2020).
Atvērta zinātniskā sadarbība. Reproducējamības novērtēšana psiholoģijas zinātnē. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. un Asadullah, K. Ticiet vai nē: cik lielā mērā mēs varam paļauties uz publicētiem datiem par potenciālajiem zāļu mērķiem? Nat. Rev. “The Discovery of Nrug.” 10, 712 (2011).
Begley, KG un Ellis, LM Standartu paaugstināšana preklīniskajos vēža pētījumos. Nature 483, 531–533 (2012).
A. Gelmans un E. Lokens, Sazaroto taku dārzs: kāpēc vairāki salīdzinājumi ir problēma pat bez “makšķerēšanas ekspedīcijām” vai “p-hakiem” un Iepriekš sagatavotas pētījumu hipotēzes, 348. sēj., 1.–17. lpp. (Statistikas departaments, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., un Shi, D. Mašīnmācīšanās jaunas fundamentālās fizikas meklējumos. Nat. Physics Physics doktora grāds. 4, 399–412 (2022).
Dara S., Damerčerla S., Džadhavs S. S., Babu K. M. un Ahsans M. J. Mašīnmācīšanās zāļu atklāšanā: apskats. Atifs. Intel. Ed. 55, 1947–1999 (2022).
Māters, A. S. un Kūts, M. L. Dziļā mācīšanās ķīmijā. J. Chemistry. notify. Model. 59, 2545–2559 (2019).
Radžkomars A., Dīns Dž. un Kohans I. Mašīnmācīšanās medicīnā. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J., Roberts ME. un Stewart BM Mašīnmācīšanās sociālajās zinātnēs: agnostiska pieeja. Rev. Ann Ball. science. 24, 395–419 (2021).
Jump, J. et al. Izgatavojiet ļoti precīzas olbaltumvielu struktūras prognozes, izmantojot alfa salocīšanu. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. un Gil, Y. Mašīnmācīšanās neatkārtojamības avoti: apskats. Priekšpublicējums pieejams vietnē https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. un Rahimi, A. Winner's lāsts? Par empīrisko pierādījumu ātrumu, progresu un stingrību (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. un Zobel, J. Nesavienojoši uzlabojumi: provizoriskie meklēšanas rezultāti kopš 1998. gada. 18. ACM konference par informācijas un zināšanu pārvaldību 601–610 (ACM 2009).
Kapoor, S. un Narayanan, A. Noplūdes un reproducējamības krīzes mašīnmācīšanās zinātnē. Patterns, 4, 100804 (2023).
Kapoor S. et al. Reform: zinātniskās ziņošanas standarti, kuru pamatā ir mašīnmācīšanās. Priekšpublicējums pieejams vietnē https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C. un Recht, B. Bezjēdzīgi salīdzinājumi var radīt viltus optimismu medicīnas mašīnmācīšanās jomā. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Biežāk sastopamās kļūdas un labākā prakse mašīnmācīšanās izmantošanā COVID-19 noteikšanai un prognozēšanai, izmantojot krūškurvja rentgenuzņēmumus un datortomogrāfijas. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. COVID-19 diagnostikas un prognozēšanas prognozēšanas modeļi: sistemātisks pārskats un kritisks novērtējums. BMJ 369, m1328 (2020).
Vālens S., Šreibers Dž., Nobls V. S. un Polards K. S. Mašīnmācīšanās izmantošanas genomikā trūkumu pārvarēšana. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Mašīnmācīšanās labākā prakse ķīmijā. Nat. Chemical. 13, 505–508 (2021).
Bruntons SL un Kucs Dž. N. Daudzsološi virzieni parciālo diferenciālvienādojumu mašīnmācībai. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. un Brunton, SL. Aprēķinu šķidruma dinamikas uzlabošana, izmantojot mašīnmācīšanos. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. et al. Zinātniskā mašīnmācīšanās ar fiziski informētiem neironu tīkliem: kur mēs atrodamies tagad un kas notiks tālāk. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. un Xiao, H. Turbulences modelēšana datu laikmetā. Ann. pārskatītais izdevums. 51, 357–377 (2019).
Durrans, D. R. Skaitliskās metodes viļņu vienādojumu risināšanai ģeofizikālajā hidrodinamikā, 32. sēj. (Springer, 2013).
Mishra, S. Mašīnmācīšanās ietvars datu vadītas diferenciālvienādojumu aprēķināšanas paātrināšanai. matemātika. inženieris. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kočikovs D. u.c. Mašīnmācīšanās – skaitļošanas šķidrumu dinamikas paātrināšana. process. Nacionālā zinātņu akadēmija. zinātne. US 118, e2101784118 (2021).
Kadapa, K. Mašīnmācīšanās datorzinātnēs un inženierzinātnēs — īss ievads un daži galvenie jautājumi. Priekšpublicējums pieejams vietnē https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. un Zanna, L. Mašīnmācīšanās okeāna apakšrežģa parametrizācijas salīdzinošā analīze idealizētos modeļos. J.Adv. Model. Zemes sistēma. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. un Brandstetter, J. Parciālo diferenciālo vienlīdzību (PDE) precizēšana: precīzu garu ekstrūziju sasniegšana ar neironu PDE risinātāju. 37. neironu informācijas apstrādes sistēmu konference (NeurIPS 2023).
Frachas, PR et al. Atpakaļizplatīšanās algoritms un rezervuāra aprēķins rekurentos neironu tīklos sarežģītas telplaika dinamikas prognozēšanai. neironu tīkls. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. un Karniadakis, GE Physics, datorzinātnes, neironu tīkli: dziļās mācīšanās ietvars tiešās un apgrieztās problēmas risināšanai, kas saistītas ar nelineāriem parciālajiem diferenciālvienādojumiem. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. un Schönlieb, K.-B. Vai uz fiziku balstīti neironu tīkli var pārspēt galīgo elementu metodes? IMA J. Applications. mathematics. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M. un Gómez-Romero, J. Uz fiziku balstīti neironu tīkli datu vadītai modelēšanai: priekšrocības, ierobežojumi un iespējas. Fizika. A 610, 128415 (2023).
Džuangs, P.-J. un Barba, Losandželosa. Empīrisks ziņojums par uz fiziku balstītiem neironu tīkliem šķidrumu modelēšanā: kļūmes un vilšanās. Priekšpublicējums pieejams vietnē https://arxiv.org/abs/2205.14249 (2022).
Džuangs, P.-J. un Barba, Losandželosa. Fiziski informētu neironu tīklu paredzošie ierobežojumi virpuļu veidošanās procesā. Priekšpublikācija pieejama vietnē https://arxiv.org/abs/2306.00230 (2023).
Vangs, S., Ju, H. un Perdikaris, P. Kad un kāpēc piespraudes neizdodas apmācīties: neironu pieskares kodola perspektīva. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. un Mahoney, MW. Iespējamo atteices režīmu raksturojums fiziskās informācijas neironu tīklos. 35. neironu informācijas apstrādes sistēmu konference, 34. sējums, 26548.–26560. lpp. (NeurIPS 2021).
Basir, S. un Senokak, I. Kritisks pētījums par atteices režīmiem uz fiziku balstītos neironu tīklos. AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakovs P., Ļitvinovs S. un Kumutsakos P. Fizikālu inversu problēmu risināšana, optimizējot diskrētos zaudējumus: ātra un precīza mācīšanās bez neironu tīkliem. process. Nacionālā zinātņu akadēmija. zinātne. Nexus 3, pgae005 (2024).
Gundersen OE Atkārtojamības pamatprincipi. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E. un Pearson A. Sistemātiski pārskati: pārskats. Jā. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, un Rohde, K. Ierobežojumus apzinoši neironu tīkli Rīmana problēmai. J. Computer. physics. 409, 109345 (2020).
Bezgins D. A., Šmits S. Dž. un Adamss N. A. Datu vadīta, fiziski informēta galīga tilpuma shēma neklasiskiem samazināta sprieguma triecieniem. J. Computer. physics. 437, 110324 (2021).
Publicēšanas laiks: 2024. gada 29. septembris