Ďakujeme za návštevu stránky Nature.com. Verzia prehliadača, ktorú používate, má obmedzenú podporu CSS. Pre dosiahnutie najlepších výsledkov odporúčame používať novšiu verziu prehliadača (alebo vypnúť režim kompatibility v prehliadači Internet Explorer). Medzitým, aby sme zabezpečili nepretržitú podporu, zobrazujeme stránku bez štýlov a JavaScriptu.
Jednou z najsľubnejších aplikácií strojového učenia vo výpočtovej fyzike je zrýchlené riešenie parciálnych diferenciálnych rovníc (PDR). Hlavným cieľom riešiča parciálnych diferenciálnych rovníc založeného na strojovom učení je vytvárať riešenia, ktoré sú dostatočne presné a rýchlejšie ako štandardné numerické metódy, aby slúžili ako východiskové porovnanie. Najprv vykonávame systematický prehľad literatúry o strojovom učení o riešení parciálnych diferenciálnych rovníc. Zo všetkých prác, ktoré uvádzajú použitie ML na riešenie fluidných parciálnych diferenciálnych rovníc a tvrdia, že sú nadradené štandardným numerickým metódam, sme identifikovali 79 % (60/76) v porovnaní so slabými východiskovými hodnotami. Po druhé, našli sme dôkazy o rozšírenom skreslení v hlásení, najmä v hlásení výsledkov a publikačnom skreslení. Dospeli sme k záveru, že výskum strojového učenia o riešení parciálnych diferenciálnych rovníc je príliš optimistický: slabé vstupné údaje môžu viesť k príliš pozitívnym výsledkom a skreslenie v hlásení môže viesť k podhodnoteniu negatívnych výsledkov. Zdá sa, že tieto problémy sú vo veľkej miere spôsobené faktormi podobnými minulým krízam reprodukovateľnosti: diskrétnosť výskumníka a skreslenie pozitívnych výsledkov. Vyzývame na kultúrnu zmenu zdola nahor, aby sa minimalizovalo skreslené hlásenia, a na štrukturálnu reformu zhora nadol, aby sa znížili zvrátené stimuly na to.
Zoznam autorov a článkov vygenerovaných systematickým prehľadom, ako aj klasifikácia každého článku v náhodnej vzorke, je verejne dostupný na adrese https://doi.org/10.17605/OSF.IO/GQ5B3 (odkaz 124).
Kód potrebný na reprodukciu výsledkov v tabuľke 2 nájdete na GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (odkaz 125) a na Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (odkaz 126) a https://codeocean.com/capsule/0799002/tree/v1 (odkaz 127).
Randall, D. a Welser, K., Kríza nereprodukovateľnosti v modernej vede: Príčiny, dôsledky a cesty k reforme (Národná asociácia vedcov, 2018).
Ritchie, S. Sci-fi: Ako podvody, zaujatosť, mlčanie a humbuk podkopávajú hľadanie pravdy (Vintage, 2020).
Otvorená vedecká spolupráca. Posudzovanie reprodukovateľnosti v psychologickej vede. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. a Asadullah, K. Verte tomu alebo nie: Do akej miery sa môžeme spoliehať na publikované údaje o potenciálnych cieľoch liekov? Nat. Rev. „Objav liekov.“ 10, 712 (2011).
Begley, KG a Ellis, LM Zvyšovanie štandardov v predklinickom výskume rakoviny. Nature 483, 531–533 (2012).
A. Gelman a E. Loken, Záhrada rozvetvujúcich sa ciest: Prečo sú viacnásobné porovnania problémom aj bez „rybárskych expedícií“ alebo „p-hackov“ a hypotéz vopred pripraveného výskumu, zv. 348, 1–17 (Ministerstvo štatistiky, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. a Shi, D. Strojové učenie pri hľadaní novej fundamentálnej fyziky. Nat. Doctor of Philosophy in Physics. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM a Ahsan MJ. Strojové učenie pri objavovaní liekov: prehľad. Atif. Intel. Vyd. 55, 1947–1999 (2022).
Mather, AS a Coote, ML Hlboké učenie v chémii. J.Chemistry. notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. a Kohan I. Strojové učenie v medicíne. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME a Stewart BM Strojové učenie v spoločenských vedách: agnostický prístup. Rev. Ann Ball. science. 24, 395–419 (2021).
Jump, J. a kol. Vytvárajte vysoko presné predpovede štruktúry proteínov pomocou alfafoldu. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. a Gil, Y. Zdroje nereprodukovateľnosti v strojovom učení: Prehľad. Preprint dostupný na https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. a Rahimi, A. Kliatba víťaza? O rýchlosti, pokroku a presnosti empirických dôkazov (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. a Zobel, J. Neaditívne vylepšenia: predbežné výsledky vyhľadávania od roku 1998. 18. konferencia ACM o informačnom a znalostnom manažmente 601–610 (ACM 2009).
Kapoor, S. a Narayanan, A. Krízy úniku a reprodukovateľnosti vo vede založenej na strojovom učení. Patterns, 4, 100804 (2023).
Kapoor S. a kol. Reforma: štandardy vedeckého podávania správ založené na strojovom učení. Preprint dostupný na https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C. a Recht, B. Nezmyselné porovnania môžu viesť k falošnému optimizmu v medicínskom strojovom učení. PloS ONE 12, e0184604 (2017).
Roberts, M. a kol. Bežné úskalia a osvedčené postupy pri používaní strojového učenia na detekciu a predpovedanie COVID-19 z röntgenových snímok hrudníka a počítačovej tomografie. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. a kol. Prediktívne modely pre diagnostiku a prognózu COVID-19: systematický prehľad a kritické hodnotenie. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS a Pollard KS Prekonávanie úskalí používania strojového učenia v genomike. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. a kol. Najlepšie postupy pre strojové učenie v chémii. Nat. Chemical. 13, 505–508 (2021).
Brunton SL a Kutz JN Sľubné smery pre strojové učenie parciálnych diferenciálnych rovníc. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. a Brunton, SL Zlepšenie výpočtovej dynamiky tekutín prostredníctvom strojového učenia. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. a kol. Vedecké strojové učenie s fyzikálne informovanými neurónovými sieťami: Kde sme teraz a čo bude ďalej. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. a Xiao, H. Modelovanie turbulencií v dátovej ére. Revidované vydanie Ann. 51, 357–377 (2019).
Durran, DR Numerické metódy riešenia vlnových rovníc v geofyzikálnej hydrodynamike, zv. 32 (Springer, 2013).
Mishra, S. Rámec strojového učenia na urýchlenie výpočtov diferenciálnych rovníc riadených dátami. matematika. inžinier. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. a kol. Strojové učenie – zrýchlenie výpočtovej dynamiky tekutín. Národná akadémia vied. Veda. US 118, e2101784118 (2021).
Kadapa, K. Strojové učenie pre informatiku a inžinierstvo – stručný úvod a niektoré kľúčové otázky. Preprint dostupný na https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. a Zanna, L. Porovnávacia analýza parametrizácie oceánskej podsiete strojového učenia v idealizovaných modeloch. J.Adv. Model. earth system. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. a Brandstetter, J. Zdokonaľovanie PDR: dosiahnutie presných dlhých extrúzií pomocou neurónového riešiča PDR. 37. konferencia o systémoch spracovania neurónových informácií (NeurIPS 2023).
Frachas, PR a kol. Algoritmus spätného šírenia a výpočet rezervoáru v rekurentných neurónových sieťach na predpovedanie komplexnej časopriestorovej dynamiky. neurónová sieť. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. a Karniadakis, GE Fyzika, informatika, neurónové siete: rámec hlbokého učenia na riešenie priamych a inverzných problémov zahŕňajúcich nelineárne parciálne diferenciálne rovnice. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. a Schönlieb, K.-B. Môžu neurónové siete založené na fyzike prekonať metódy konečných prvkov? IMA J. Applications. matematika. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M. a Gómez-Romero, J. Fyzikálne neurónové siete pre modelovanie riadené dátami: výhody, obmedzenia a príležitosti. physics. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Empirická správa o fyzikálnych neurónových sieťach v modelovaní tekutín: úskalia a sklamania. Preprint dostupný na https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. a Barba, LA Prediktívne obmedzenia fyzikálne informovaných neurónových sietí na tvorbu vírov. Preprint dostupný na https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. a Perdikaris, P. Kedy a prečo sa pinny netrénujú: Perspektíva neurálneho tangentného jadra. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. a Mahoney, MW Charakteristiky možných poruchových režimov vo fyzikálnych informačných neurónových sieťach. 35. konferencia o systémoch spracovania neurónových informácií, zv. 34, 26548–26560 (NeurIPS 2021).
Basir, S. a Senokak, I. Kritická štúdia poruchových režimov vo fyzikálnych neurónových sieťach. In AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. a Koumoutsakos P. Riešenie fyzikálnych inverzných problémov optimalizáciou diskrétnych strát: rýchle a presné učenie bez neurónových sietí. proces. Národná akadémia vied. Veda. Nexus 3, pgae005 (2024).
Gundersen OE Základné princípy reprodukovateľnosti. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E a Pearson A. Systematické prehľady: prehľad. Áno. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS a Rohde, K. Neurónové siete s uvedomením si obmedzení pre Riemannov problém. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ a Adams NA Dátami riadený fyzikálne informovaný obvod s konečným objemom pre neklasické redukované napäťové šoky. J. Computer. physics. 437, 110324 (2021).
Čas uverejnenia: 29. septembra 2024