Ви благодариме што ја посетивте Nature.com. Верзијата на прелистувачот што ја користите има ограничена CSS поддршка. За најдобри резултати, препорачуваме да користите понова верзија на вашиот прелистувач (или да го оневозможите режимот на компатибилност во Internet Explorer). Во меѓувреме, за да обезбедиме континуирана поддршка, ја прикажуваме страницата без стилизирање или JavaScript.
Една од најперспективните примени на машинското учење во компјутерската физика е забрзаното решавање на парцијални диференцијални равенки (ПДР). Главната цел на решавачот на парцијални диференцијални равенки базиран на машинско учење е да произведе решенија кои се доволно точни и побрзи од стандардните нумерички методи за да послужат како споредба на основната линија. Прво спроведуваме систематски преглед на литературата за машинско учење за решавање на парцијални диференцијални равенки. Од сите трудови што известуваат за употреба на ML за решавање на флуидни парцијални диференцијални равенки и тврдат дека имаат супериорност во однос на стандардните нумерички методи, идентификувавме 79% (60/76) во споредба со слаби основни линии. Второ, пронајдовме докази за широко распространета пристрасност во известувањето, особено во известувањето за резултатите и пристрасноста во објавувањето. Заклучуваме дека истражувањето на машинското учење за решавање на парцијални диференцијални равенки е премногу оптимистичко: слабите влезни податоци можат да доведат до премногу позитивни резултати, а пристрасноста во известувањето може да доведе до недоволно известување за негативните резултати. Во голем дел, овие проблеми се чини дека се предизвикани од фактори слични на минатите кризи на репродуктивност: дискреција на истражувачот и пристрасност на позитивниот исход. Повикуваме на културна промена од долу нагоре за да се минимизира пристрасното известување и структурна реформа од горе надолу за да се намалат перверзните стимулации за тоа.
Списокот на автори и статии генерирани од систематскиот преглед, како и класификацијата на секоја статија во случаен примерок, е јавно достапен на https://doi.org/10.17605/OSF.IO/GQ5B3 (реф. 124).
Кодот потребен за репродукција на резултатите во Табела 2 може да се најде на GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) и на Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (линк 126) и https://codeocean.com/capsule/0799002/tree/v1 (линк 127).
Рандал, Д., и Велсер, К., Кризата на нерепродуктивност во модерната наука: Причини, последици и патишта за реформа (Национално здружение на научници, 2018).
Ричи, С. Научна фантастика: Како измамата, пристрасноста, тишината и возбудата ја поткопуваат потрагата по вистината (Винтиџ, 2020).
Отворена научна соработка. Проценка на репродуктивноста во психолошката наука. Science 349, AAAC4716 (2015).
Принц, Ф., Шланге, Т. и Асадула, К. Верувале или не: Колку можеме да се потпреме на објавените податоци за потенцијалните цели на дрогите? Nat. Rev. „Откривањето на дрогите“. 10, 712 (2011).
Бегли, КГ и Елис, ЛМ Подигнување на стандардите во претклиничкото истражување на ракот. Nature 483, 531–533 (2012).
А. Гелман и Е. Локен, Градината со разгранети патеки: Зошто повеќекратните споредби се проблем дури и без „риболовни експедиции“ или „п-хакови“ и претходно формулирани истражувачки хипотези, том 348, 1–17 (Оддел за статистика, 2013).
Караѓорги, Г., Касецка, Г., Кравиц, С., Нахман, Б. и Ши, Д. Машинско учење во потрага по нова фундаментална физика. Нат. Доктор по филозофија по физика. 4, 399–412 (2022).
Дара С, Дамерчерла С, Џадав СС, Бабу ЦМ и Ахсан МЈ. Машинско учење во откривањето лекови: преглед. Atif. Intel. Ed. 55, 1947–1999 (2022).
Матер, А.С. и Кут, М.Л. Длабоко учење во хемијата. J.Chemistry. notify. Model. 59, 2545–2559 (2019).
Рајкомар А., Дин Ј. и Кохан И. Машинско учење во медицината. New England Journal of Medicine. 380, 1347–1358 (2019).
Гример Ј., Робертс МЕ. и Стјуарт БМ. Машинско учење во општествените науки: агностички пристап. Преч. Ен Бол. наука. 24, 395–419 (2021).
Jump, J. et al. Направете високопрецизни предвидувања за структурата на протеините користејќи alphafold. Nature 596, 583–589 (2021).
Гундерсен, О.Е., Кокли, К., Киркпатрик, К. и Гил, Ј. Извори на нерепродуктивност во машинското учење: Преглед. Претпечатено издание достапно на https://arxiv.org/abs/2204.07610 (2022).
Скали, Д., Снук, Ј., Вилчко, А. и Рахими, А. Проклетството на победникот? Врз брзината, напредокот и ригорозноста на емпириските докази (ICLR, 2018).
Армстронг, Т.Г., Мофат, А., Вебер, В. и Зобел, Ј. Неадитивни подобрувања: прелиминарни резултати од пребарувањето од 1998 година. 18-та ACM конференција за управување со информации и знаење 601–610 (ACM 2009).
Капур, С. и Нарајанан, А. Кризи на протекување и репродуктивност во науката базирана на машинско учење. Модели, 4, 100804 (2023).
Капур С. и др. Реформа: стандарди за научно известување засновани на машинско учење. Претпечатено издание достапно на https://arxiv.org/abs/2308.07832 (2023).
ДеМаси, О., Кординг, К. и Рехт, Б. Бесмислените споредби можат да доведат до лажен оптимизам во медицинското машинско учење. PloS ONE 12, e0184604 (2017).
Робертс, М., и др. Чести стапици и најдобри практики за користење на машинско учење за откривање и предвидување на COVID-19 од рендгенски снимки на градниот кош и компјутеризирана томографија. Nat. Max. Intel. 3, 199–217 (2021).
Винанц Л. и др. Предикативни модели за дијагноза и прогноза на COVID-19: систематски преглед и критичка проценка. BMJ 369, m1328 (2020).
Вејлен С., Шрајбер Ј., Нобл ВС и Полард КС Надминување на стапиците од користењето на машинско учење во геномиката. Нат. Пастор Жинет. 23, 169–181 (2022).
Атрис Н. и др. Најдобри практики за машинско учење во хемијата. Nat. Chemical. 13, 505–508 (2021).
Брантон СЛ и Куц ЈН. Ветувачки насоки за машинско учење на парцијални диференцијални равенки. Нат. пресметување. наука. 4, 483–494 (2024).
Винуеса, Р. и Брантон, С.Л. Подобрување на компјутерската динамика на флуидите преку машинско учење. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. et al. Научно машинско учење со физички информирани невронски мрежи: Каде сме сега и што е следно. J. Science. calculate. 92, 88 (2022).
Дураисами, К., Јакарино, Г. и Сјао, Х. Моделирање на турбуленции во ерата на податоци. Ревидирано издание на Ann. 51, 357–377 (2019).
Дуран, ДР Нумерички методи за решавање на бранови равенки во геофизичката хидродинамика, том 32 (Спрингер, 2013).
Мишра, С. Рамка за машинско учење за забрзување на пресметката на диференцијални равенки базирани на податоци. математика. инженер. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Кочиков Д. и др. Машинско учење – забрзување на компјутерската динамика на флуиди. процес. Национална академија на науките. наука. САД 118, e2101784118 (2021).
Кадапа, К. Машинско учење за компјутерски науки и инженерство – краток вовед и некои клучни прашања. Претпечатено издание достапно на https://arxiv.org/abs/2112.12054 (2021).
Рос, А., Ли, З., Перезхогин, П., Фернандез-Гранда, К. и Зана, Л. Компаративна анализа на параметризирање на океанска подмрежа со машинско учење во идеализирани модели. J.Adv. Модел. Земјин систем. 15. e2022MS003258 (2023).
Липе, П., Вилинг, Б., Пердикарис, П., Тарнер, Р. и Брандштетер, Ј. Усовршување на парцијални диференцијални равенки: постигнување точни долги екструзии со невронски решавач на парцијални диференцијални равенки. 37-ма Конференција за невронски системи за обработка на информации (NeurIPS 2023).
Фрачас, П.Р. и др. Алгоритам за повратно пропагирање и пресметка на резервоар во рекурентни невронски мрежи за предвидување на сложена просторно-временска динамика. невронска мрежа. 126, 191–217 (2020).
Раиси, М., Пердикарис, П. и Карнијадакис, ГЕ Физика, компјутерски науки, невронски мрежи: рамка за длабинско учење за решавање на директни и инверзни проблеми што вклучуваат нелинеарни парцијални диференцијални равенки. J. Computer. physics. 378, 686–707 (2019).
Гросман, Т.Г., Коморовска, УЈ., Луц, Ј. и Шенлиб, К.-Б. Можат ли невронските мрежи базирани на физика да ги надминат методите со конечни елементи? IMA J. Applications. mathematics. 89, 143–174 (2024).
де ла Мата, Ф.Ф., Хихон, А., Молина-Солана, М., и Гомез-Ромеро, Ј. Невронски мрежи базирани на физика за моделирање базирани на податоци: предности, ограничувања и можности. физика. А 610, 128415 (2023).
Жуанг, П.-Ј. и Барба, ЛА Емпириски извештај за невронски мрежи базирани на физика во моделирањето на флуиди: стапици и разочарувања. Претпечатено издание достапно на https://arxiv.org/abs/2205.14249 (2022).
Жуанг, П.-Ј. и Барба, Л.А. Предикативни ограничувања на физички информирани невронски мрежи врз формирањето на вртлози. Претпечатено издание достапно на https://arxiv.org/abs/2306.00230 (2023).
Ванг, С., Ју, Х. и Пердикарис, П. Кога и зошто пиновите не успеваат да тренираат: Перспектива на невронското тангентно јадро. J. Computer. physics. 449, 110768 (2022).
Кришнапријан, А., Голами, А., Же, С., Кирби, Р. и Махони, МВ Карактеристики на можни начини на дефект во физички информациски невронски мрежи. 35-та Конференција за невронски системи за обработка на информации, том 34, 26548–26560 (NeurIPS 2021).
Басир, С. и Сенокак, И. Критичка студија за режимите на дефект кај невронските мрежи базирани на физика. Во AiAA SCITECH 2022 Форум 2353 (ARK, 2022).
Карнаков П., Литвинов С. и Кумуцакос П. Решавање на физички инверзни проблеми со оптимизирање на дискретни загуби: брзо и точно учење без невронски мрежи. процес. Национална академија на науките. наука. Nexus 3, стр. 005 (2024).
Гундерсен О.Е. Основни принципи на репродуктивност. Фил.крос. Р. Шукер. А 379, 20200210 (2021).
Aromataris E и Pearson A. Систематски прегледи: преглед. Да. J. Nursing 114, 53–58 (2014).
Магиера, Ј., Реј, Д., Хестхавен, ЈС и Роде, К. Невронски мрежи свесни за ограничувањата за Римановиот проблем. J. Computer. physics. 409, 109345 (2020).
Безгин Д.А., Шмит С.Ј. и Адамс Н.А. Коло со конечен волумен управувано од физички информирани податоци за некласични намалени напонски шокови. J. Computer. physics. 437, 110324 (2021).
Време на објавување: 29 септември 2024 година