Takk for at du besøker Nature.com. Nettleserversjonen du bruker har begrenset CSS-støtte. For best resultat anbefaler vi at du bruker en nyere versjon av nettleseren din (eller deaktiverer kompatibilitetsmodus i Internet Explorer). I mellomtiden, for å sikre kontinuerlig støtte, viser vi nettstedet uten styling eller JavaScript.
En av de mest lovende bruksområdene for maskinlæring innen beregningsfysikk er akselerert løsning av partielle differensialligninger (PDE-er). Hovedmålet med en maskinlæringsbasert løsningsverktøy for partielle differensialligninger er å produsere løsninger som er nøyaktige nok raskere enn standard numeriske metoder til å tjene som en baseline-sammenligning. Vi gjennomfører først en systematisk gjennomgang av maskinlæringslitteraturen om løsning av partielle differensialligninger. Av alle artiklene som rapporterer bruk av maskinlæring for å løse flytende partielle differensialligninger og hevder overlegenhet over standard numeriske metoder, identifiserte vi 79 % (60/76) sammenlignet med svake baseline-er. For det andre fant vi bevis på utbredt rapporteringsskjevhet, spesielt i resultatrapportering og publikasjonsskjevhet. Vi konkluderer med at maskinlæringsforskning på løsning av partielle differensialligninger er for optimistisk: svake inndata kan føre til for positive resultater, og rapporteringsskjevhet kan føre til underrapportering av negative resultater. I stor grad ser disse problemene ut til å være forårsaket av faktorer som ligner på tidligere reproduserbarhetskriser: etterforskernes skjønn og positiv resultatskjevhet. Vi etterlyser en nedenfra-og-opp-kulturendring for å minimere partisk rapportering og ovenfra-og-ned-strukturreform for å redusere perverse insentiver til å gjøre det.
Listen over forfattere og artikler generert av den systematiske oversikten, samt klassifiseringen av hver artikkel i det tilfeldige utvalget, er offentlig tilgjengelig på https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124).
Koden som trengs for å gjengi resultatene i tabell 2 finnes på GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) og på Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (lenke 126) og https://codeocean.com/capsule/0799002/tree/v1 (lenke 127).
Randall, D., og Welser, K., Krisen med manglende reproduserbarhet i moderne vitenskap: Årsaker, konsekvenser og veier til reform (National Association of Scientists, 2018).
Ritchie, S. Science fiction: Hvordan svindel, skjevhet, taushet og hype undergraver søken etter sannhet (Vintage, 2020).
Åpent vitenskapelig samarbeid. Vurdering av reproduserbarhet i psykologisk vitenskap. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., og Asadullah, K. Tro det eller ei: Hvor mye kan vi stole på publiserte data om potensielle legemiddelmål? Nat. Rev. «Oppdagelsen av legemidler.» 10, 712 (2011).
Begley, KG og Ellis, LM Heving av standarder innen preklinisk kreftforskning. Nature 483, 531–533 (2012).
A. Gelman og E. Loken, The Garden of Forking Paths: Why Multiple Comparisons are a Problem Self Without “Fishing Expeditions” eller “p-hacks” og Preformed Research Hypotheses, bind 348, 1–17 (Statistikkavdelingen, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., og Shi, D. Maskinlæring på jakt etter ny grunnleggende fysikk. Nat. Doctor of Philosophy in Physics. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM og Ahsan MJ. Maskinlæring i legemiddelutvikling: en oversikt. Atif. Intel. Red. 55, 1947–1999 (2022).
Mather, AS og Coote, ML. Dyp læring i kjemi. J.Chemistry. notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. og Kohan I. Maskinlæring i medisin. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME og Stewart BM Maskinlæring i samfunnsvitenskap: en agnostisk tilnærming. Rev. Ann Ball. science. 24, 395–419 (2021).
Jump, J. et al. Lag svært nøyaktige proteinstrukturforutsigelser ved bruk av alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., og Gil, Y. Kilder til irreproduserbarhet i maskinlæring: En oversikt. Forhåndstrykk tilgjengelig på https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., og Rahimi, A. Vinnerens forbannelse? Om hastigheten, fremdriften og stringensen til empiriske bevis (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., og Zobel, J. Ikke-additive forbedringer: foreløpige søkeresultater siden 1998. 18. ACM-konferanse om informasjons- og kunnskapshåndtering 601–610 (ACM 2009).
Kapoor, S. og Narayanan, A. Lekkasje- og reproduserbarhetskriser i maskinlæringsbasert vitenskap. Patterns, 4, 100804 (2023).
Kapoor S. et al. Reform: vitenskapelige rapporteringsstandarder basert på maskinlæring. Forhåndstrykk tilgjengelig på https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., og Recht, B. Meningsløse sammenligninger kan føre til falsk optimisme innen medisinsk maskinlæring. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Vanlige fallgruver og beste praksis for bruk av maskinlæring for å oppdage og forutsi COVID-19 fra røntgenbilder av brystet og computertomografi. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Prediktive modeller for diagnose og prognose av COVID-19: en systematisk gjennomgang og kritisk vurdering. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS og Pollard KS Overvinne fallgruvene ved bruk av maskinlæring i genomikk. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Beste praksis for maskinlæring i kjemi. Nat. Chemical. 13, 505–508 (2021).
Brunton SL og Kutz JN Lovende retninger for maskinlæring av partielle differensialligninger. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. og Brunton, SL Forbedring av beregningsbasert fluiddynamikk gjennom maskinlæring. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. et al. Vitenskapelig maskinlæring med fysisk informerte nevrale nettverk: Hvor vi er nå og hva skjer videre. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., og Xiao, H. Turbulensmodellering i datatiden. Revidert utgave av Ann. 51, 357–377 (2019).
Durran, DR Numeriske metoder for å løse bølgeligninger i geofysisk hydrodynamikk, bind 32 (Springer, 2013).
Mishra, S. Et maskinlæringsrammeverk for å akselerere datadrevet beregning av differensialligninger. matematikk. ingeniør. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Maskinlæring – akselerasjon av beregningsmessig fluiddynamikk. prosess. National Academy of Sciences. vitenskap. US 118, e2101784118 (2021).
Kadapa, K. Maskinlæring for informatikk og ingeniørfag – en kort introduksjon og noen viktige problemstillinger. Forhåndstrykk tilgjengelig på https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., og Zanna, L. Komparativ analyse av maskinlæringsparametrisering av havsubgrid i idealiserte modeller. J.Adv. Model. jordsystem. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., og Brandstetter, J. PDE-forfining: oppnå nøyaktige lange ekstruderinger med en nevral PDE-løser. 37. konferanse om nevrale informasjonsbehandlingssystemer (NeurIPS 2023).
Frachas, PR et al. Tilbakepropageringsalgoritme og reservoarberegning i tilbakevendende nevrale nettverk for å forutsi kompleks spatiotemporal dynamikk. neural network. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. og Karniadakis, GE Fysikk, informatikk, nevrale nettverk: et rammeverk for dyp læring for å løse foroverrettede og inverse problemer som involverer ikke-lineære partielle differensialligninger. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., og Schönlieb, K.-B. Kan fysikkbaserte nevrale nettverk utkonkurrere endelige elementmetoder? IMA J. Applications. mathematics. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., og Gómez-Romero, J. Fysikkbaserte nevrale nettverk for datadrevet modellering: fordeler, begrensninger og muligheter. fysikk. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA En empirisk rapport om fysikkbaserte nevrale nettverk i væskemodellering: fallgruver og skuffelser. Forhåndstrykk tilgjengelig på https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. og Barba, LA Prediktive begrensninger av fysisk informerte nevrale nettverk på virveldannelse. Forhåndstrykk tilgjengelig på https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., og Perdikaris, P. Når og hvorfor pinner ikke trener: Et nevralt tangentkjernperspektiv. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., og Mahoney, MW Kjennetegn ved mulige feilmoduser i fysiske nevrale informasjonsnettverk. 35. konferanse om nevrale informasjonsbehandlingssystemer bind 34, 26548–26560 (NeurIPS 2021).
Basir, S. og Senokak, I. En kritisk studie av feilmoduser i fysikkbaserte nevrale nettverk. I AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. og Koumoutsakos P. Løsning av fysiske inverse problemer ved å optimalisere diskrete tap: rask og nøyaktig læring uten nevrale nettverk. prosess. National Academy of Sciences. vitenskap. Nexus 3, pgae005 (2024).
Gundersen OE Grunnleggende prinsipper for reproduserbarhet. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E og Pearson A. Systematiske oversikter: en oversikt. Ja. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, og Rohde, K. Begrensningsbevisste nevrale nettverk for Riemann-problemet. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ og Adams NA Datadrevet fysisk informert endelig volumkrets for ikke-klassiske reduserte spenningssjokk. J. Computer. physics. 437, 110324 (2021).
Publisert: 29. september 2024