Terima kasih kerana melawat Nature.com. Versi penyemak imbas yang anda gunakan mempunyai sokongan CSS yang terhad. Untuk hasil terbaik, kami mengesyorkan agar anda menggunakan versi penyemak imbas anda yang lebih baharu (atau lumpuhkan Mod Keserasian dalam Internet Explorer). Sementara itu, untuk memastikan sokongan berterusan, kami memaparkan tapak tanpa penggayaan atau JavaScript.
Salah satu aplikasi pembelajaran mesin yang paling menjanjikan dalam fizik pengiraan ialah penyelesaian dipercepatkan persamaan pembezaan separa (PDE). Matlamat utama penyelesai persamaan pembezaan separa berasaskan pembelajaran mesin adalah untuk menghasilkan penyelesaian yang cukup tepat lebih pantas daripada kaedah berangka standard untuk dijadikan sebagai perbandingan garis dasar. Kami mula-mula menjalankan semakan sistematik literatur pembelajaran mesin tentang menyelesaikan persamaan pembezaan separa. Daripada semua kertas kerja yang melaporkan penggunaan ML untuk menyelesaikan persamaan pembezaan separa bendalir dan menuntut keunggulan berbanding kaedah berangka standard, kami mengenal pasti 79% (60/76) berbanding garis dasar yang lemah. Kedua, kami menemui bukti kecenderungan pelaporan yang meluas, terutamanya dalam pelaporan hasil dan berat sebelah penerbitan. Kami menyimpulkan bahawa penyelidikan pembelajaran mesin untuk menyelesaikan persamaan pembezaan separa adalah terlalu optimistik: data input yang lemah boleh membawa kepada hasil yang terlalu positif, dan berat sebelah pelaporan boleh menyebabkan kurang melaporkan hasil negatif. Sebahagian besarnya, masalah ini nampaknya disebabkan oleh faktor yang serupa dengan krisis kebolehulangan masa lalu: budi bicara penyiasat dan bias hasil positif. Kami menyeru perubahan budaya dari bawah ke atas untuk meminimumkan pelaporan berat sebelah dan pembaharuan struktur atas ke bawah untuk mengurangkan insentif songsang untuk berbuat demikian.
Senarai pengarang dan artikel yang dijana oleh semakan sistematik, serta klasifikasi setiap artikel dalam sampel rawak, tersedia secara terbuka di https://doi.org/10.17605/OSF.IO/GQ5B3 (rujuk 124).
Kod yang diperlukan untuk menghasilkan semula keputusan dalam Jadual 2 boleh didapati di GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (rujuk. 125) dan pada Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (pautan 126) dan https://codeocean.com/capsule/0799002/tree/v1 (pautan 127).
Randall, D., dan Welser, K., Krisis Ketidakbolehhasilan dalam Sains Moden: Punca, Akibat dan Laluan untuk Pembaharuan (Persatuan Saintis Kebangsaan, 2018).
Ritchie, S. Fiksyen Sains: Bagaimana Penipuan, Bias, Senyap dan Gembar-gembur Melemahkan Pencarian Kebenaran (Vintage, 2020).
Kerjasama saintifik terbuka. Menilai kebolehulangan dalam sains psikologi. Sains 349, AAAC4716 (2015).
Prinz, F., Schlange, T., dan Asadullah, K. Percaya atau tidak: Sejauh manakah kita boleh bergantung pada data yang diterbitkan mengenai sasaran dadah yang berpotensi? Nat. Rev. "Penemuan Dadah." 10, 712 (2011).
Begley, KG dan Ellis, LM Meningkatkan piawaian dalam penyelidikan kanser praklinikal. Alam 483, 531–533 (2012).
A. Gelman dan E. Loken, The Garden of Forking Paths: Mengapa Perbandingan Pelbagai Menjadi Masalah Walaupun Tanpa "Ekspedisi Memancing" atau "p-hacks" dan Hipotesis Penyelidikan Terdahulu, vol. 348, 1–17 (Jabatan Perangkaan, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., dan Shi, D. Pembelajaran mesin dalam mencari fizik asas baharu. Nat. Doktor Falsafah dalam Fizik. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM dan Ahsan MJ. Pembelajaran mesin dalam penemuan dadah: ulasan. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS dan Coote, ML Pembelajaran mendalam dalam kimia. J.Kimia. maklumkan. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. dan Kohan I. Pembelajaran mesin dalam perubatan. Jurnal Perubatan New England. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. dan Stewart BM Pembelajaran mesin dalam sains sosial: pendekatan agnostik. Rev. Ann Ball. sains. 24, 395–419 (2021).
Lompat, J. et al. Buat ramalan struktur protein yang sangat tepat menggunakan lipatan alfa. Alam 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., dan Gil, Y. Sumber ketakterhasilan dalam pembelajaran mesin: Kajian semula. Pracetak tersedia di https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., dan Rahimi, A. Kutukan pemenang? Mengenai kelajuan, kemajuan dan ketegasan bukti empirikal (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., dan Zobel, J. Penambahbaikan bukan tambahan: hasil carian awal sejak 1998. Persidangan ACM ke-18 mengenai Pengurusan Maklumat dan Pengetahuan 601–610 (ACM 2009).
Kapoor, S. dan Narayanan, A. Krisis kebocoran dan kebolehulangan dalam sains berasaskan pembelajaran mesin. Corak, 4, 100804 (2023).
Kapoor S. et al. Pembaharuan: piawaian pelaporan saintifik berdasarkan pembelajaran mesin. Pracetak tersedia di https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., dan Recht, B. Perbandingan yang tidak bermakna boleh membawa kepada keyakinan palsu dalam pembelajaran mesin perubatan. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Perangkap biasa dan amalan terbaik untuk menggunakan pembelajaran mesin untuk mengesan dan meramal COVID-19 daripada x-ray dada dan tomografi yang dikira. Nat. Maks. Intel. 3, 199–217 (2021).
Winantz L. et al. Model ramalan untuk diagnosis dan prognosis COVID-19: semakan sistematik dan penilaian kritikal. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS dan Pollard KS Mengatasi masalah menggunakan pembelajaran mesin dalam genomik. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Amalan terbaik untuk pembelajaran mesin dalam kimia. Nat. bahan kimia. 13, 505–508 (2021).
Brunton SL dan Kutz JN Arahan yang menjanjikan untuk pembelajaran mesin bagi persamaan pembezaan separa. Nat. mengira. sains. 4, 483–494 (2024).
Vinuesa, R. dan Brunton, SL Memperbaiki dinamik bendalir pengiraan melalui pembelajaran mesin. Nat. mengira. sains. 2, 358–366 (2022).
Comeau, S. et al. Pembelajaran mesin saintifik dengan rangkaian saraf bermaklumat fizikal: Di mana kita berada sekarang dan perkara seterusnya. J. Sains. mengira. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., dan Xiao, H. Pemodelan Turbulence dalam era data. Edisi semakan Ann. 51, 357–377 (2019).
Durran, DR Kaedah berangka untuk menyelesaikan persamaan gelombang dalam hidrodinamik geofizik, vol. 32 (Springer, 2013).
Mishra, S. Rangka kerja pembelajaran mesin untuk mempercepatkan pengiraan terdorong data bagi persamaan pembezaan. matematik. jurutera. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Pembelajaran mesin – pecutan dinamik bendalir pengiraan. proses. Akademi Sains Kebangsaan. sains. US 118, e2101784118 (2021).
Kadapa, K. Pembelajaran mesin untuk sains komputer dan kejuruteraan – pengenalan ringkas dan beberapa isu utama. Pracetak tersedia di https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., dan Zanna, L. Analisis perbandingan pembelajaran mesin parameterisasi subgrid lautan dalam model ideal. J.Adv. Model. sistem bumi. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., dan Brandstetter, J. Penapisan PDE: mencapai penyemperitan panjang yang tepat dengan penyelesai PDE saraf. Persidangan ke-37 mengenai Sistem Pemprosesan Maklumat Neural (NeurIPS 2023).
Frachas, PR et al. Algoritma perambatan balik dan pengiraan takungan dalam rangkaian saraf berulang untuk meramalkan dinamik spatiotemporal yang kompleks. rangkaian saraf. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. dan Karniadakis, GE Physics, sains komputer, rangkaian saraf: rangka kerja pembelajaran mendalam untuk menyelesaikan masalah hadapan dan songsang yang melibatkan persamaan pembezaan separa tak linear. J. Komputer. fizik. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., dan Schönlieb, K.-B. Bolehkah rangkaian saraf berasaskan fizik mengatasi kaedah elemen terhingga? IMA J. Aplikasi. matematik. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., dan Gómez-Romero, J. Rangkaian saraf berasaskan fizik untuk pemodelan dipacu data: kelebihan, batasan dan peluang. fizik. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Laporan empirikal mengenai rangkaian saraf berasaskan fizik dalam pemodelan bendalir: perangkap dan kekecewaan. Pracetak tersedia di https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. dan Barba, LA Had ramalan rangkaian saraf yang dimaklumkan secara fizikal pada pembentukan vorteks. Pracetak tersedia di https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., dan Perdikaris, P. Bila dan mengapa pin gagal melatih: Perspektif nukleus tangen saraf. J. Komputer. fizik. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., dan Mahoney, MW Ciri-ciri kemungkinan mod kegagalan dalam rangkaian saraf maklumat fizikal. Persidangan ke-35 mengenai Sistem Pemprosesan Maklumat Neural Vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. dan Senokak, I. Kajian kritikal mod kegagalan dalam rangkaian saraf berasaskan fizik. Dalam AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. dan Koumoutsakos P. Menyelesaikan masalah songsang fizikal dengan mengoptimumkan kerugian diskret: pembelajaran pantas dan tepat tanpa rangkaian saraf. proses. Akademi Sains Kebangsaan. sains. Nexus 3, pgae005 (2024).
Gundersen OE Prinsip asas kebolehulangan. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E dan Pearson A. Ulasan sistematik: gambaran keseluruhan. ya. J. Kejururawatan 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, dan Rohde, K. Rangkaian saraf sedar kekangan untuk masalah Riemann. J. Komputer. fizik. 409, 109345 (2020).
Bezgin DA, Schmidt SJ dan Adams NA Litar volum terhingga yang dimaklumkan secara fizikal dipacu data untuk kejutan voltan berkurangan bukan klasik. J. Komputer. fizik. 437, 110324 (2021).
Masa siaran: Sep-29-2024