Bedankt voor uw bezoek aan Nature.com. De browserversie die u gebruikt, biedt beperkte CSS-ondersteuning. Voor de beste resultaten raden we u aan een nieuwere versie van uw browser te gebruiken (of de compatibiliteitsmodus in Internet Explorer uit te schakelen). Om de ondersteuning te blijven garanderen, tonen we de site in de tussentijd zonder styling of JavaScript.
Een van de meest veelbelovende toepassingen van machine learning in de computationele fysica is het versneld oplossen van partiële differentiaalvergelijkingen (PDE's). Het belangrijkste doel van een op machine learning gebaseerde oplossing voor partiële differentiaalvergelijkingen is het produceren van oplossingen die nauwkeurig genoeg en sneller zijn dan standaard numerieke methoden om als basisvergelijking te dienen. Eerst voeren we een systematische review uit van de literatuur over machine learning over het oplossen van partiële differentiaalvergelijkingen. Van alle artikelen die het gebruik van machine learning rapporteren om partiële differentiaalvergelijkingen in vloeistoffen op te lossen en superioriteit claimen ten opzichte van standaard numerieke methoden, identificeerden we 79% (60/76) vergeleken met zwakke basisvergelijkingen. Ten tweede vonden we bewijs voor wijdverbreide rapportagebias, met name in de rapportage van uitkomsten en publicatiebias. We concluderen dat machine learning-onderzoek naar het oplossen van partiële differentiaalvergelijkingen te optimistisch is: zwakke invoergegevens kunnen leiden tot te positieve resultaten, en rapportagebias kan leiden tot onderrapportage van negatieve resultaten. Deze problemen lijken grotendeels te worden veroorzaakt door factoren die vergelijkbaar zijn met eerdere reproduceerbaarheidscrises: discretie van de onderzoeker en positieve uitkomstbias. Wij pleiten voor een cultuurverandering van onderop om bevooroordeelde berichtgeving tot een minimum te beperken en voor structurele hervormingen van bovenaf om perverse prikkels daartoe te verminderen.
De lijst met auteurs en artikelen die door de systematische review is gegenereerd, evenals de classificatie van elk artikel in de willekeurige steekproef, is openbaar beschikbaar op https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124).
De code die nodig is om de resultaten in Tabel 2 te reproduceren, is te vinden op GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) en op Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (link 126) en https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Randall, D., en Welser, K., De crisis van de onherhaalbaarheid in de moderne wetenschap: oorzaken, gevolgen en wegen naar hervorming (National Association of Scientists, 2018).
Ritchie, S. Sciencefiction: hoe fraude, vooringenomenheid, stilte en hype de zoektocht naar waarheid ondermijnen (Vintage, 2020).
Open wetenschappelijke samenwerking. Het beoordelen van reproduceerbaarheid in de psychologische wetenschap. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., en Asadullah, K. Geloof het of niet: in hoeverre kunnen we vertrouwen op gepubliceerde gegevens over potentiële doelwitten voor medicijnen? Nat. Rev. “The Discovery of Drugs.” 10, 712 (2011).
Begley, KG en Ellis, LM: Verhoging van de normen in preklinisch kankeronderzoek. Nature 483, 531–533 (2012).
A. Gelman en E. Loken, The Garden of Forking Paths: Waarom meervoudige vergelijkingen een probleem zijn, zelfs zonder ‘visexpedities’ of ‘p-hacks’ en vooraf opgestelde onderzoekshypotheses, vol. 348, 1–17 (Department of Statistics, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., en Shi, D. Machine learning op zoek naar nieuwe fundamentele fysica. Nat. Doctor of Philosophy in Physics. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM en Ahsan MJ. Machine learning in medicijnontwikkeling: een review. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS en Coote, ML Deep learning in de scheikunde. J.Chemistry. Notification. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. en Kohan I. Machine learning in de geneeskunde. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. en Stewart BM. Machine learning in de sociale wetenschappen: een agnostische benadering. Rev. Ann Ball. science. 24, 395–419 (2021).
Jump, J. et al. Maak zeer nauwkeurige voorspellingen van de eiwitstructuur met behulp van alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., en Gil, Y. Bronnen van irreproduceerbaarheid in machine learning: een review. Preprint beschikbaar op https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., en Rahimi, A. De vloek van de winnaar? Over de snelheid, voortgang en nauwkeurigheid van empirisch bewijs (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., en Zobel, J. Niet-additieve verbeteringen: voorlopige zoekresultaten sinds 1998. 18e ACM-conferentie over informatie- en kennismanagement 601–610 (ACM 2009).
Kapoor, S. en Narayanan, A. Lekkage- en reproduceerbaarheidscrises in machine learning-gebaseerde wetenschap. Patterns, 4, 100804 (2023).
Kapoor S. et al. Hervorming: wetenschappelijke rapportagestandaarden gebaseerd op machine learning. Preprint beschikbaar op https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., en Recht, B. Betekenisloze vergelijkingen kunnen leiden tot vals optimisme in medisch machinaal leren. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Veelvoorkomende valkuilen en best practices voor het gebruik van machine learning om COVID-19 te detecteren en te voorspellen op basis van thoraxfoto's en computertomografie. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Voorspellende modellen voor de diagnose en prognose van COVID-19: een systematische review en kritische beoordeling. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS en Pollard KS: De valkuilen van het gebruik van machine learning in de genomica overwinnen. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Best practices voor machine learning in de chemie. Nat. Chemical. 13, 505–508 (2021).
Brunton SL en Kutz JN Veelbelovende richtingen voor machinaal leren van partiële differentiaalvergelijkingen. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. en Brunton, SL Verbetering van computationele vloeistofdynamica door middel van machine learning. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. et al. Wetenschappelijk machinaal leren met fysiek geïnformeerde neurale netwerken: waar we nu staan en wat de toekomst brengt. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., en Xiao, H. Turbulentiemodellering in het datatijdperk. Herziene editie van Ann. 51, 357–377 (2019).
Durran, DR Numerieke methoden voor het oplossen van golfvergelijkingen in geofysische hydrodynamica, vol. 32 (Springer, 2013).
Mishra, S. Een machine learning-framework voor het versnellen van datagestuurde berekeningen van differentiaalvergelijkingen. wiskunde. ingenieur. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Machine learning – versnelling van computationele vloeistofdynamica. proces. National Academy of Sciences. wetenschap. US 118, e2101784118 (2021).
Kadapa, K. Machine learning voor computerwetenschappen en -techniek – een korte inleiding en enkele kernpunten. Preprint beschikbaar op https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., en Zanna, L. Vergelijkende analyse van machine learning-parameterisatie van oceaan-subgrids in geïdealiseerde modellen. J.Adv. Model. aardsysteem. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., en Brandstetter, J. PDE-verfijning: het bereiken van nauwkeurige lange extrusies met een neurale PDE-solver. 37e conferentie over neurale informatieverwerkingssystemen (NeurIPS 2023).
Frachas, PR et al. Backpropagation-algoritme en reservoirberekening in recurrente neurale netwerken voor het voorspellen van complexe spatiotemporele dynamiek. neuraal netwerk. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. en Karniadakis, GE Physics, computerwetenschappen, neurale netwerken: een deep learning-framework voor het oplossen van voorwaartse en inverse problemen met niet-lineaire partiële differentiaalvergelijkingen. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., en Schönlieb, K.-B. Kunnen op natuurkunde gebaseerde neurale netwerken eindige-elementenmethoden overtreffen? IMA J. Applications. Mathematics. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., en Gómez-Romero, J. Op natuurkunde gebaseerde neurale netwerken voor datagestuurde modellering: voordelen, beperkingen en kansen. physics. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA: Een empirisch rapport over op natuurkunde gebaseerde neurale netwerken in vloeistofmodellering: valkuilen en teleurstellingen. Preprint beschikbaar op https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. en Barba, LA. Voorspellende beperkingen van fysiek geïnformeerde neurale netwerken op vortexvorming. Preprint beschikbaar op https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., en Perdikaris, P. Wanneer en waarom pinns niet trainen: een perspectief vanuit de neurale tangenskern. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., en Mahoney, MW Kenmerken van mogelijke faalmodi in fysieke informatie-neurale netwerken. 35e conferentie over neurale informatieverwerkingssystemen Vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. en Senokak, I. Een kritische studie naar faalmodi in op natuurkunde gebaseerde neurale netwerken. In AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. en Koumoutsakos P. Het oplossen van fysische inverse problemen door discrete verliezen te optimaliseren: snel en nauwkeurig leren zonder neurale netwerken. proces. Nationale Academie van Wetenschappen. wetenschap. Nexus 3, pgae005 (2024).
Gundersen OE Basisprincipes van reproduceerbaarheid. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E en Pearson A. Systematische reviews: een overzicht. Ja. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, en Rohde, K. Beperkingsbewuste neurale netwerken voor het Riemann-probleem. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ en Adams NA Datagestuurd, fysiek geïnformeerd circuit met eindig volume voor niet-klassieke schokken met verlaagde spanning. J. Computer. physics. 437, 110324 (2021).
Plaatsingstijd: 29-09-2024