Vă mulțumim că ați vizitat Nature.com. Versiunea de browser pe care o utilizați are suport limitat pentru CSS. Pentru cele mai bune rezultate, vă recomandăm să utilizați o versiune mai nouă a browserului dvs. (sau să dezactivați Modul de compatibilitate în Internet Explorer). Între timp, pentru a asigura asistență continuă, afișăm site-ul fără stilizare sau JavaScript.
Una dintre cele mai promițătoare aplicații ale învățării automate în fizica computațională este rezolvarea accelerată a ecuațiilor diferențiale parțiale (EDP). Scopul principal al unui rezolvator de ecuații diferențiale parțiale bazat pe învățare automată este de a produce soluții care sunt suficient de precise, mai rapid decât metodele numerice standard, pentru a servi drept comparație de bază. Mai întâi, realizăm o analiză sistematică a literaturii de specialitate privind învățarea automată privind rezolvarea ecuațiilor diferențiale parțiale. Dintre toate lucrările care raportează utilizarea ML pentru a rezolva ecuații diferențiale parțiale fluide și care pretind superioritate față de metodele numerice standard, am identificat 79% (60/76) comparativ cu niveluri de bază slabe. În al doilea rând, am găsit dovezi ale unei erori de raportare pe scară largă, în special în raportarea rezultatelor și a erorii de publicare. Concluzionăm că cercetarea învățării automate privind rezolvarea ecuațiilor diferențiale parțiale este excesiv de optimistă: datele de intrare slabe pot duce la rezultate excesiv de pozitive, iar eroarea de raportare poate duce la subraportarea rezultatelor negative. În mare parte, aceste probleme par a fi cauzate de factori similari cu crizele de reproductibilitate din trecut: discreția investigatorului și eroarea de rezultat pozitivă. Solicităm o schimbare culturală de jos în sus pentru a minimiza raportarea părtinitoare și o reformă structurală de sus în jos pentru a reduce stimulentele perverse în acest sens.
Lista autorilor și articolelor generate de analiza sistematică, precum și clasificarea fiecărui articol din eșantionul aleatoriu, sunt disponibile public la https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124).
Codul necesar pentru reproducerea rezultatelor din Tabelul 2 poate fi găsit pe GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) și pe Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (link 126) și https://codeocean.com/capsule/0799002/tree/v1 (link 127).
Randall, D. și Welser, K., Criza ireproductibilității în știința modernă: cauze, consecințe și căi pentru reformă (Asociația Națională a Oamenilor de Știință, 2018).
Ritchie, S. Science fiction: Cum frauda, prejudecățile, tăcerea și exagerările subminează căutarea adevărului (Vintage, 2020).
Colaborare științifică deschisă. Evaluarea reproductibilității în știința psihologică. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. și Asadullah, K. Credeți sau nu: Cât de mult ne putem baza pe datele publicate despre potențialele ținte medicamentoase? Nat. Rev. „The Discovery of Drugs.” 10, 712 (2011).
Begley, KG și Ellis, LM „Creșterea standardelor în cercetarea preclinică în domeniul cancerului”. Nature 483, 531–533 (2012).
A. Gelman și E. Loken, Grădina cărărilor care se bifurcă: De ce comparațiile multiple sunt o problemă chiar și fără „expediții de pescuit” sau „p-hacks” și Ipoteze de cercetare preformate, vol. 348, 1–17 (Departamentul de Statistică, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. și Shi, D. Învățarea automată în căutarea unei noi fizici fundamentale. Doctorat național în fizică. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM și Ahsan MJ. Învățarea automată în descoperirea medicamentelor: o trecere în revistă. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS și Coote, ML Învățare profundă în chimie. J. Chemistry. Notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. și Kohan I. Învățarea automată în medicină. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME și Stewart BM Învățarea automată în științele sociale: o abordare agnostică. Rev. Ann Ball. Science. 24, 395–419 (2021).
Jump, J. și colab. Realizați predicții extrem de precise ale structurii proteinelor folosind alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. și Gil, Y. Surse de ireproductibilitate în învățarea automată: o recenzie. Preprint disponibil la https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. și Rahimi, A. Blestemul lui Winner? Despre viteza, progresul și rigoarea dovezilor empirice (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. și Zobel, J. Îmbunătățiri neaditive: rezultate preliminare ale căutării din 1998. A 18-a Conferință ACM privind Managementul Informației și Cunoștințelor 601–610 (ACM 2009).
Kapoor, S. și Narayanan, A. Crize de scurgeri și reproductibilitate în știința bazată pe învățarea automată. Patterns, 4, 100804 (2023).
Kapoor S. și colab. Reform: standarde de raportare științifică bazate pe învățarea automată. Preprint disponibil la https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C. și Recht, B. Comparațiile fără sens pot duce la un optimism fals în învățarea automată medicală. PloS ONE 12, e0184604 (2017).
Roberts, M. și colab. Capcane comune și cele mai bune practici pentru utilizarea învățării automate pentru detectarea și prezicerea COVID-19 din radiografiile toracice și tomografia computerizată. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. și colab. Modele predictive pentru diagnosticul și prognosticul COVID-19: o analiză sistematică și o evaluare critică. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS și Pollard KS Depășirea capcanelor utilizării învățării automate în genomică. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. și colab. Cele mai bune practici pentru învățarea automată în chimie. Nat. Chemical. 13, 505–508 (2021).
Brunton SL și Kutz JN. Direcții promițătoare pentru învățarea automată a ecuațiilor diferențiale parțiale. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. și Brunton, SL Îmbunătățirea dinamicii fluidelor computaționale prin învățare automată. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. și colab. Învățare automată științifică cu rețele neuronale informate fizic: Unde ne aflăm acum și ce urmează. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. și Xiao, H. Modelarea turbulențelor în era datelor. Ediție revizuită a lucrării Ann. 51, 357–377 (2019).
Durran, DR Metode numerice pentru rezolvarea ecuațiilor de undă în hidrodinamica geofizică, vol. 32 (Springer, 2013).
Mishra, S. Un cadru de învățare automată pentru accelerarea calculului bazat pe date al ecuațiilor diferențiale. matematică. inginer. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. și colab. Învățarea automată – accelerarea dinamicii fluidelor computaționale. proces. Academia Națională de Științe. știință. US 118, e2101784118 (2021).
Kadapa, K. Învățarea automată pentru informatică și inginerie – o scurtă introducere și câteva aspecte cheie. Preprint disponibil la https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. și Zanna, L. Analiză comparativă a parametrizării subrețelelor oceanice prin învățare automată în modele idealizate. J.Adv. Model. Sistemul terestru. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. și Brandstetter, J. Rafinarea EDP: obținerea unor extrudări lungi precise cu un solver EDP neural. A 37-a Conferință privind Sistemele de Prelucrare a Informațiilor Neuronale (NeurIPS 2023).
Frachas, PR și colab. Algoritm de retropropagare și calcul al rezervorului în rețele neuronale recurente pentru prezicerea dinamicii spatiotemporale complexe. rețea neuronală. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. și Karniadakis, GE Fizică, informatică, rețele neuronale: un cadru de învățare profundă pentru rezolvarea problemelor directe și inverse care implică ecuații diferențiale parțiale neliniare. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. și Schönlieb, K.-B. Pot rețelele neuronale bazate pe fizică să depășească metodele cu elemente finite? IMA J. Aplicații. matematică. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M. și Gómez-Romero, J. Rețele neuronale bazate pe fizică pentru modelare bazată pe date: avantaje, limite și oportunități. physics. A 610, 128415 (2023).
Zhuang, P.-Y. și Barba, LA Un raport empiric privind rețelele neuronale bazate pe fizică în modelarea fluidelor: capcane și dezamăgiri. Preprint disponibil la https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. și Barba, LA. Limitări predictive ale rețelelor neuronale informate fizic asupra formării vortexurilor. Preprint disponibil la https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. și Perdikaris, P. Când și de ce pinii nu se antrenează: O perspectivă asupra nucleului tangent neuronal. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. și Mahoney, MW. Caracteristicile posibilelor moduri de defecțiune în rețelele neuronale informaționale fizice. A 35-a Conferință privind Sistemele de Prelucrare a Informațiilor Neuronale, vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. și Senokak, I. Un studiu critic al modurilor de defecțiune în rețelele neuronale bazate pe fizică. În AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. și Koumoutsakos P. Rezolvarea problemelor inverse fizice prin optimizarea pierderilor discrete: învățare rapidă și precisă fără rețele neuronale. Process. Academia Națională de Științe. Science. Nexus 3, pgae005 (2024).
Gundersen OE Principii de bază ale reproductibilității. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E și Pearson A. Recenzii sistematice: o prezentare generală. Da. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS și Rohde, K. Rețele neuronale conștiente de constrângeri pentru problema Riemann. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ și Adams NA Circuit de volum finit informat fizic, bazat pe date, pentru șocuri de tensiune redusă non-clasice. J. Computer. physics. 437, 110324 (2021).
Data publicării: 29 septembrie 2024