Obrigado por visitar Nature.com. A versão do seu navegador possui suporte limitado a CSS. Para melhores resultados, recomendamos que você use uma versão mais recente do seu navegador (ou desative o Modo de Compatibilidade no Internet Explorer). Enquanto isso, para garantir o suporte contínuo, estamos exibindo o site sem estilos ou JavaScript.
Uma das aplicações mais promissoras do aprendizado de máquina em física computacional é a solução acelerada de equações diferenciais parciais (EDPs). O principal objetivo de um solucionador de equações diferenciais parciais baseado em aprendizado de máquina é produzir soluções que sejam precisas o suficiente, mais rápidas do que métodos numéricos padrão, para servir como uma comparação de linha de base. Primeiramente, conduzimos uma revisão sistemática da literatura sobre aprendizado de máquina na resolução de equações diferenciais parciais. De todos os artigos que relatam o uso de aprendizado de máquina para resolver equações diferenciais parciais fluidas e reivindicam superioridade sobre métodos numéricos padrão, identificamos 79% (60/76) em comparação com linhas de base fracas. Em segundo lugar, encontramos evidências de viés generalizado de relato, particularmente em relatos de resultados e viés de publicação. Concluímos que a pesquisa em aprendizado de máquina na resolução de equações diferenciais parciais é excessivamente otimista: dados de entrada fracos podem levar a resultados excessivamente positivos, e o viés de relato pode levar à subnotificação de resultados negativos. Em grande parte, esses problemas parecem ser causados por fatores semelhantes a crises de reprodutibilidade anteriores: discrição do investigador e viés de resultado positivo. Apelamos para uma mudança cultural de baixo para cima para minimizar reportagens tendenciosas e uma reforma estrutural de cima para baixo para reduzir incentivos perversos para fazê-lo.
A lista de autores e artigos gerados pela revisão sistemática, bem como a classificação de cada artigo na amostra aleatória, está disponível publicamente em https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124).
O código necessário para reproduzir os resultados da Tabela 2 pode ser encontrado no GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) e no Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (link 126) e https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Randall, D., e Welser, K., A crise da irreprodutibilidade na ciência moderna: causas, consequências e caminhos para a reforma (Associação Nacional de Cientistas, 2018).
Ritchie, S. Ficção científica: como fraude, preconceito, silêncio e exagero minam a busca pela verdade (Vintage, 2020).
Colaboração científica aberta. Avaliando a reprodutibilidade na ciência psicológica. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. e Asadullah, K. Acredite se quiser: até que ponto podemos confiar em dados publicados sobre potenciais alvos de medicamentos? Nat. Rev. “A Descoberta dos Medicamentos”. 10, 712 (2011).
Begley, KG e Ellis, LM Elevando os padrões na pesquisa pré-clínica do câncer. Nature 483, 531–533 (2012).
Português A. Gelman e E. Loken, O jardim dos caminhos que se bifurcam: por que comparações múltiplas são um problema mesmo sem “expedições de pesca” ou “p-hacks” e hipóteses de pesquisa pré-formadas, vol. 348, 1–17 (Departamento de Estatística, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. e Shi, D. Aprendizado de máquina em busca de uma nova física fundamental. Doutorado em Física. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM e Ahsan MJ. Aprendizado de máquina na descoberta de fármacos: uma revisão. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS e Coote, ML Aprendizado profundo em química. J.Chemistry. Notificar. Modelo. 59, 2545–2559 (2019).
Rajkomar A., Dean J. e Kohan I. Aprendizado de máquina na medicina. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME e Stewart BM Aprendizado de máquina em ciências sociais: uma abordagem agnóstica. Rev. Ann Ball. Ciência. 24, 395–419 (2021).
Jump, J. et al. Faça previsões altamente precisas da estrutura de proteínas usando alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. e Gil, Y. Fontes de irreprodutibilidade em aprendizado de máquina: uma revisão. Pré-impressão disponível em https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. e Rahimi, A. A maldição do vencedor? Sobre a velocidade, o progresso e o rigor das evidências empíricas (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. e Zobel, J. Melhorias não aditivas: resultados preliminares de pesquisa desde 1998. 18ª Conferência da ACM sobre Gestão de Informação e Conhecimento 601–610 (ACM 2009).
Kapoor, S. e Narayanan, A. Crises de vazamento e reprodutibilidade na ciência baseada em aprendizado de máquina. Patterns, 4, 100804 (2023).
Kapoor S. et al. Reforma: padrões de relatórios científicos baseados em aprendizado de máquina. Pré-impressão disponível em https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C. e Recht, B. Comparações sem sentido podem levar a um falso otimismo no aprendizado de máquina na área médica. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Armadilhas comuns e melhores práticas para usar aprendizado de máquina para detectar e prever a COVID-19 a partir de radiografias de tórax e tomografia computadorizada. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Modelos preditivos para o diagnóstico e prognóstico da COVID-19: uma revisão sistemática e avaliação crítica. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS e Pollard KS: Superando as armadilhas do uso do aprendizado de máquina em genômica. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Melhores práticas para aprendizado de máquina em química. Química Nacional. 13, 505–508 (2021).
Brunton SL e Kutz JN: Direções promissoras para o aprendizado de máquina de equações diferenciais parciais. Nat. calcular. ciência. 4, 483–494 (2024).
Vinuesa, R. e Brunton, SL Aprimorando a dinâmica de fluidos computacional por meio do aprendizado de máquina. Nat. calcular. ciência. 2, 358–366 (2022).
Comeau, S. et al. Aprendizado de máquina científico com redes neurais fisicamente informadas: onde estamos agora e o que vem a seguir. J. Science. Calcular. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. e Xiao, H. Modelagem de turbulência na era dos dados. Edição revisada de Ann. 51, 357–377 (2019).
Durran, DR Métodos numéricos para resolução de equações de ondas em hidrodinâmica geofísica, vol. 32 (Springer, 2013).
Mishra, S. Uma estrutura de aprendizado de máquina para acelerar a computação orientada por dados de equações diferenciais. matemática. engenheiro. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Aprendizado de máquina – aceleração da dinâmica de fluidos computacional. processo. Academia Nacional de Ciências. ciência. US 118, e2101784118 (2021).
Kadapa, K. Aprendizado de máquina para ciência da computação e engenharia – uma breve introdução e algumas questões-chave. Pré-impressão disponível em https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., e Zanna, L. Análise comparativa da parametrização de subgrades oceânicas por aprendizado de máquina em modelos idealizados. J.Adv. Modelo. Sistema terrestre. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. e Brandstetter, J. Refinamento de EDP: obtendo extrusões longas e precisas com um solucionador de EDP neural. 37ª Conferência sobre Sistemas de Processamento de Informação Neural (NeurIPS 2023).
Frachas, PR et al. Algoritmo de retropropagação e cálculo de reservatório em redes neurais recorrentes para previsão de dinâmicas espaço-temporais complexas. Rede neural. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. e Karniadakis, GE Física, ciência da computação, redes neurais: uma estrutura de aprendizado profundo para resolver problemas diretos e inversos envolvendo equações diferenciais parciais não lineares. J. Computer. Physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. e Schönlieb, K.-B. Redes neurais baseadas em física podem superar métodos de elementos finitos? IMA J. Applications. mathematics. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M. e Gómez-Romero, J. Redes neurais baseadas em física para modelagem orientada a dados: vantagens, limitações e oportunidades. física. A 610, 128415 (2023).
Zhuang, P.-Y. e Barba, LA. Um relatório empírico sobre redes neurais baseadas em física na modelagem de fluidos: armadilhas e decepções. Pré-impressão disponível em https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. e Barba, LA Limitações preditivas de redes neurais fisicamente informadas na formação de vórtices. Pré-impressão disponível em https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. e Perdikaris, P. Quando e por que os pinns falham no treinamento: uma perspectiva do núcleo tangente neural. J. Computer. Physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. e Mahoney, MW Características de possíveis modos de falha em redes neurais de informação física. 35ª Conferência sobre Sistemas de Processamento de Informação Neural Vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. e Senokak, I. Um estudo crítico de modos de falha em redes neurais baseadas em física. Em AiAA SCITECH 2022 Fórum 2353 (ARK, 2022).
Karnakov P., Litvinov S. e Koumoutsakos P. Resolução de problemas físicos inversos por meio da otimização de perdas discretas: aprendizado rápido e preciso sem redes neurais. processo. Academia Nacional de Ciências. ciência. Nexus 3, pgae005 (2024).
Gundersen OE Princípios básicos de reprodutibilidade. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E e Pearson A. Revisões sistemáticas: uma visão geral. Sim. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, e Rohde, K. Redes neurais com reconhecimento de restrições para o problema de Riemann. J. Computer. Physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ e Adams NA Circuito de volume finito fisicamente informado e orientado por dados para choques de tensão reduzida não clássicos. J. Computer. Physics. 437, 110324 (2021).
Horário da publicação: 29/09/2024