Dziękujemy za odwiedzenie Nature.com. Wersja przeglądarki, której używasz, ma ograniczoną obsługę CSS. Aby uzyskać najlepsze rezultaty, zalecamy korzystanie z nowszej wersji przeglądarki (lub wyłączenie trybu zgodności w przeglądarce Internet Explorer). W międzyczasie, aby zapewnić ciągłą obsługę, wyświetlamy witrynę bez stylów i JavaScriptu.
Jednym z najbardziej obiecujących zastosowań uczenia maszynowego w fizyce obliczeniowej jest przyspieszone rozwiązywanie równań różniczkowych cząstkowych (PDE). Głównym celem rozwiązania równań różniczkowych cząstkowych opartego na uczeniu maszynowym jest generowanie rozwiązań o dokładności na tyle większej niż w przypadku standardowych metod numerycznych, aby mogły one służyć jako punkt odniesienia. Najpierw przeprowadzamy systematyczny przegląd literatury z zakresu uczenia maszynowego dotyczącej rozwiązywania równań różniczkowych cząstkowych. Spośród wszystkich artykułów opisujących zastosowanie uczenia maszynowego do rozwiązywania równań różniczkowych cząstkowych płynów i deklarujących jego wyższość nad standardowymi metodami numerycznymi, zidentyfikowaliśmy 79% (60/76) w porównaniu ze słabymi punktami odniesienia. Po drugie, znaleźliśmy dowody na powszechne błędy w raportowaniu, szczególnie w raportowaniu wyników i błędach publikacji. Stwierdzamy, że badania nad uczeniem maszynowym w zakresie rozwiązywania równań różniczkowych cząstkowych są nadmiernie optymistyczne: słabe dane wejściowe mogą prowadzić do nadmiernie pozytywnych wyników, a błędy w raportowaniu mogą prowadzić do zaniżania wyników negatywnych. W dużej mierze problemy te wydają się być spowodowane czynnikami podobnymi do wcześniejszych kryzysów powtarzalności: dyskrecją badaczy i pozytywnym błędem w raportowaniu wyników. Wzywamy do oddolnych zmian kulturowych w celu zminimalizowania stronniczego relacjonowania, a także do odgórnych reform strukturalnych w celu ograniczenia niepożądanych zachęt do takich działań.
Lista autorów i artykułów wygenerowana w ramach przeglądu systematycznego, a także klasyfikacja każdego artykułu w próbie losowej, są publicznie dostępne pod adresem https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124).
Kod potrzebny do odtworzenia wyników z Tabeli 2 można znaleźć w serwisie GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (link 125) oraz w serwisie Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (link 126) i https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Randall, D. i Welser, K., Kryzys nieodtwarzalności we współczesnej nauce: przyczyny, konsekwencje i ścieżki reform (National Association of Scientists, 2018).
Ritchie, S. Science Fiction: Jak oszustwa, stronniczość, milczenie i szum medialny utrudniają poszukiwanie prawdy (Vintage, 2020).
Otwarta współpraca naukowa. Ocena powtarzalności w naukach psychologicznych. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. i Asadullah, K. Wierzyć czy nie: W jakim stopniu możemy polegać na opublikowanych danych dotyczących potencjalnych celów leków? Nat. Rev. „The Discovery of Drugs.” 10, 712 (2011).
Begley, KG i Ellis, LM Podnoszenie standardów w przedklinicznych badaniach nad rakiem. Nature 483, 531–533 (2012).
A. Gelman i E. Loken, Ogród rozwidlających się ścieżek: dlaczego wielokrotne porównania stanowią problem nawet bez „wypraw wędkarskich” czy „p-hacków” oraz wstępnie sformułowanych hipotez badawczych, tom 348, s. 1–17 (Wydział Statystyki, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. i Shi, D. Uczenie maszynowe w poszukiwaniu nowej fizyki fundamentalnej. Nat. Doktor filozofii w dziedzinie fizyki. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM i Ahsan MJ. Uczenie maszynowe w odkrywaniu leków: przegląd. Atif. Intel. Wyd. 55, 1947–1999 (2022).
Mather, AS i Coote, ML Głębokie uczenie się w chemii. J.Chemistry. Powiadom. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. i Kohan I. Uczenie maszynowe w medycynie. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. i Stewart BM Uczenie maszynowe w naukach społecznych: podejście agnostyczne. Ks. Ann Ball. science. 24, 395–419 (2021).
Jump, J. i in. Dokonywanie wysoce dokładnych prognoz struktury białek za pomocą metody alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. i Gil, Y. Źródła nieodtwarzalności w uczeniu maszynowym: przegląd. Preprint dostępny pod adresem https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. i Rahimi, A. Klątwa zwycięzcy? O szybkości, postępie i rygorze dowodów empirycznych (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. i Zobel, J. Ulepszenia nieaddytywne: wstępne wyniki wyszukiwania od 1998 r. 18. konferencja ACM na temat zarządzania informacją i wiedzą 601–610 (ACM 2009).
Kapoor, S. i Narayanan, A. Kryzysy wycieków i powtarzalności w nauce opartej na uczeniu maszynowym. Patterns, 4, 100804 (2023).
Kapoor S. i in. Reforma: standardy sprawozdawczości naukowej oparte na uczeniu maszynowym. Preprint dostępny pod adresem https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C. i Recht, B. Bezsensowne porównania mogą prowadzić do fałszywego optymizmu w uczeniu maszynowym w medycynie. PloS ONE 12, e0184604 (2017).
Roberts, M. i in. Typowe pułapki i najlepsze praktyki w zakresie wykorzystania uczenia maszynowego do wykrywania i przewidywania COVID-19 na podstawie zdjęć rentgenowskich klatki piersiowej i tomografii komputerowej. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. i in. Modele predykcyjne w diagnostyce i prognozowaniu COVID-19: przegląd systematyczny i krytyczna ocena. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS i Pollard KS. Pokonywanie pułapek związanych z wykorzystaniem uczenia maszynowego w genomice. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. i in. Najlepsze praktyki uczenia maszynowego w chemii. Nat. Chemical. 13, 505–508 (2021).
Brunton SL i Kutz JN Obiecujące kierunki uczenia maszynowego równań różniczkowych cząstkowych. Nat. calculator. science. 4, 483–494 (2024).
Vinuesa, R. i Brunton, SL Ulepszanie obliczeniowej dynamiki płynów poprzez uczenie maszynowe. Nat. calculator. science. 2, 358–366 (2022).
Comeau, S. i in. Naukowe uczenie maszynowe z wykorzystaniem sieci neuronowych opartych na fizyce: gdzie jesteśmy teraz i co dalej. J. Science. Calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. i Xiao, H. Modelowanie turbulencji w erze danych. Wydanie poprawione Ann. 51, 357–377 (2019).
Durran, DR Numeryczne metody rozwiązywania równań falowych w hydrodynamice geofizycznej, tom 32 (Springer, 2013).
Mishra, S. Struktura uczenia maszynowego przyspieszająca obliczenia równań różniczkowych oparte na danych. matematyka. inżynier. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. i in. Uczenie maszynowe – przyspieszenie obliczeniowej mechaniki płynów. Proces. Narodowa Akademia Nauk. Nauka. US 118, e2101784118 (2021).
Kadapa, K. Uczenie maszynowe w informatyce i inżynierii – krótkie wprowadzenie i kilka kluczowych zagadnień. Preprint dostępny pod adresem https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. i Zanna, L. Analiza porównawcza parametryzacji podsiatki oceanicznej za pomocą uczenia maszynowego w modelach idealizowanych. J.Adv. Model. system ziemski. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. i Brandstetter, J. Udoskonalanie równań cząstkowych różniczkowych: osiąganie dokładnych długich wytłoczeń za pomocą neuronowego programu do rozwiązywania równań cząstkowych różniczkowych. 37. Konferencja poświęcona systemom przetwarzania informacji neuronowych (NeurIPS 2023).
Frachas, PR i in. Algorytm propagacji wstecznej i obliczanie rezerwuarów w rekurencyjnych sieciach neuronowych do przewidywania złożonej dynamiki czasoprzestrzennej. sieć neuronowa. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. i Karniadakis, GE Fizyka, informatyka, sieci neuronowe: struktura głębokiego uczenia do rozwiązywania problemów prostych i odwrotnych obejmujących nieliniowe równania różniczkowe cząstkowe. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. i Schönlieb, K.-B. Czy sieci neuronowe oparte na fizyce mogą przewyższyć metody elementów skończonych? IMA J. Applications. Mathematics. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M. i Gómez-Romero, J. Sieci neuronowe oparte na fizyce do modelowania opartego na danych: zalety, ograniczenia i możliwości. physics. A 610, 128415 (2023).
Zhuang, P.-Y. i Barba, LA. Raport empiryczny dotyczący sieci neuronowych opartych na fizyce w modelowaniu płynów: pułapki i rozczarowania. Preprint dostępny pod adresem https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. i Barba, LA. Ograniczenia predykcyjne sieci neuronowych opartych na danych fizycznych w zakresie formowania się wirów. Preprint dostępny na stronie https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. i Perdikaris, P. Kiedy i dlaczego pinny nie dają się trenować: perspektywa jądra stycznego neuronów. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. i Mahoney, MW Charakterystyka możliwych trybów awarii w sieciach neuronowych przetwarzających informacje fizyczne. 35. Konferencja poświęcona systemom przetwarzania informacji neuronowej, tom 34, 26548–26560 (NeurIPS 2021).
Basir, S. i Senokak, I. Krytyczne badanie trybów awarii w sieciach neuronowych opartych na fizyce. W: AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. i Koumoutsakos P. Rozwiązywanie fizycznych problemów odwrotnych poprzez optymalizację strat dyskretnych: szybkie i dokładne uczenie się bez sieci neuronowych. process. National Academy of Sciences. science. Nexus 3, str. 005 (2024).
Gundersen OE Podstawowe zasady odtwarzalności. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E i Pearson A. Przegląd systematyczny: przegląd. Tak. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS i Rohde, K. Sieci neuronowe uwzględniające ograniczenia dla problemu Riemanna. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ i Adams NA Układ o skończonej objętości, oparty na danych i informowany fizycznie, do nieklasycznych obniżonych wstrząsów napięciowych. J. Computer. physics. 437, 110324 (2021).
Czas publikacji: 29.09.2024