Hvala, ker ste obiskali Nature.com. Različica brskalnika, ki jo uporabljate, ima omejeno podporo za CSS. Za najboljše rezultate priporočamo, da uporabite novejšo različico brskalnika (ali onemogočite način združljivosti v Internet Explorerju). Medtem, da bi zagotovili stalno podporo, spletno mesto prikazujemo brez stilov ali JavaScripta.
Ena najbolj obetavnih aplikacij strojnega učenja v računalniški fiziki je pospešeno reševanje parcialnih diferencialnih enačb (PDE). Glavni cilj reševalca parcialnih diferencialnih enačb, ki temelji na strojnem učenju, je ustvariti rešitve, ki so dovolj natančne in hitrejše od standardnih numeričnih metod, da lahko služijo kot izhodiščna primerjava. Najprej smo izvedli sistematični pregled literature o strojnem učenju pri reševanju parcialnih diferencialnih enačb. Od vseh člankov, ki poročajo o uporabi strojnega učenja za reševanje parcialnih diferencialnih enačb tekočin in trdijo, da so superiorni nad standardnimi numeričnimi metodami, smo ugotovili, da je 79 % (60/76) v primerjavi s šibkimi izhodišči. Drugič, našli smo dokaze o razširjeni pristranskosti poročanja, zlasti pri poročanju o rezultatih in pristranskosti objavljanja. Sklepamo, da so raziskave strojnega učenja o reševanju parcialnih diferencialnih enačb preveč optimistične: šibki vhodni podatki lahko vodijo do preveč pozitivnih rezultatov, pristranskost poročanja pa lahko vodi do premajhnega poročanja o negativnih rezultatih. Zdi se, da te težave v veliki meri povzročajo dejavniki, podobni preteklim krizam ponovljivosti: diskrecijska pravica raziskovalcev in pristranskost pozitivnih rezultatov. Pozivamo k kulturnim spremembam od spodaj navzgor, da bi zmanjšali pristransko poročanje, in k strukturnim reformam od zgoraj navzdol, da bi zmanjšali perverzne spodbude za to.
Seznam avtorjev in člankov, ki jih je ustvaril sistematični pregled, ter razvrstitev vsakega članka v naključnem vzorcu je javno dostopen na https://doi.org/10.17605/OSF.IO/GQ5B3 (sklic 124).
Kodo, potrebno za reprodukcijo rezultatov v tabeli 2, najdete na GitHubu: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (sklic 125) in na Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (povezava 126) in https://codeocean.com/capsule/0799002/tree/v1 (povezava 127).
Randall, D. in Welser, K., Kriza neponovljivosti v sodobni znanosti: vzroki, posledice in poti za reformo (Nacionalno združenje znanstvenikov, 2018).
Ritchie, S. Znanstvena fantastika: Kako goljufije, pristranskost, molk in pretirano navdušenje spodkopavajo iskanje resnice (Vintage, 2020).
Odprto znanstveno sodelovanje. Ocenjevanje ponovljivosti v psihološki znanosti. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T. in Asadullah, K. Verjeli ali ne: Koliko se lahko zanesemo na objavljene podatke o potencialnih tarčah zdravil? Nat. Rev. »Odkritje zdravil.« 10, 712 (2011).
Begley, KG in Ellis, LM Dvig standardov v predkliničnih raziskavah raka. Nature 483, 531–533 (2012).
A. Gelman in E. Loken, Vrt razcepljenih poti: Zakaj so večkratne primerjave problem tudi brez »ribiških odprav« ali »p-hackov« in vnaprej oblikovanih raziskovalnih hipotez, letnik 348, 1–17 (Oddelek za statistiko, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B. in Shi, D. Strojno učenje v iskanju nove temeljne fizike. Nacionalni doktorat iz fizike. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM in Ahsan MJ. Strojno učenje pri odkrivanju zdravil: pregled. Atif. Intel. Ur. 55, 1947–1999 (2022).
Mather, AS in Coote, ML Globoko učenje v kemiji. J.Chemistry. notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. in Kohan I. Strojno učenje v medicini. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME in Stewart BM Strojno učenje v družboslovju: agnostični pristop. Rev. Ann Ball. science. 24, 395–419 (2021).
Jump, J. et al. Z uporabo alfafolda naredite zelo natančne napovedi strukture beljakovin. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K. in Gil, Y. Viri nereproducibilnosti v strojnem učenju: pregled. Predtisk je na voljo na https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A. in Rahimi, A. Zmagovalecovo prekletstvo? O hitrosti, napredku in natančnosti empiričnih dokazov (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W. in Zobel, J. Neaditivne izboljšave: predhodni rezultati iskanja od leta 1998. 18. konferenca ACM o upravljanju informacij in znanja 601–610 (ACM 2009).
Kapoor, S. in Narayanan, A. Krize puščanja in ponovljivosti v znanosti, ki temelji na strojnem učenju. Patterns, 4, 100804 (2023).
Kapoor S. et al. Reforma: standardi znanstvenega poročanja, ki temeljijo na strojnem učenju. Predtisk je na voljo na https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C. in Recht, B. Nesmiselne primerjave lahko vodijo do lažnega optimizma pri medicinskem strojnem učenju. PloS ONE 12, e0184604 (2017).
Roberts, M. in sod. Pogoste pasti in najboljše prakse uporabe strojnega učenja za odkrivanje in napovedovanje COVID-19 z rentgenskimi slikami prsnega koša in računalniško tomografijo. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Prediktivni modeli za diagnozo in prognozo COVID-19: sistematični pregled in kritična ocena. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS in Pollard KS Premagovanje pasti uporabe strojnega učenja v genomiki. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Najboljše prakse za strojno učenje v kemiji. Nat. Chemical. 13, 505–508 (2021).
Brunton SL in Kutz JN Obetavne smeri za strojno učenje parcialnih diferencialnih enačb. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. in Brunton, SL Izboljšanje računalniške dinamike tekočin s strojnim učenjem. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. idr. Znanstveno strojno učenje s fizikalno informiranimi nevronskimi mrežami: Kje smo zdaj in kaj sledi. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G. in Xiao, H. Modeliranje turbulence v podatkovni dobi. Revidirana izdaja Ann. 51, 357–377 (2019).
Durran, DR Numerične metode za reševanje valovnih enačb v geofizikalni hidrodinamiki, letnik 32 (Springer, 2013).
Mishra, S. Okvir strojnega učenja za pospeševanje podatkovno vodenega računanja diferencialnih enačb. matematika. inženir. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Strojno učenje – pospeševanje računalniške dinamike tekočin. Nacionalna akademija znanosti. znanost. ZDA 118, e2101784118 (2021).
Kadapa, K. Strojno učenje za računalništvo in inženirstvo – kratek uvod in nekatera ključna vprašanja. Predtisk je na voljo na https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C. in Zanna, L. Primerjalna analiza parametrizacije oceanske podmreže s strojnim učenjem v idealiziranih modelih. J.Adv. Model. zemeljski sistem. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R. in Brandstetter, J. Izpopolnjevanje parcialnih diferencialnih enačb: doseganje natančnih dolgih ekstruzij z nevronskim reševalcem parcialnih diferencialnih enačb. 37. konferenca o sistemih za obdelavo nevronskih informacij (NeurIPS 2023).
Frachas, PR et al. Algoritem povratnega širjenja in izračun rezervoarja v rekurentnih nevronskih mrežah za napovedovanje kompleksne prostorsko-časovne dinamike. Neural network. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. in Karniadakis, GE Fizika, računalništvo, nevronske mreže: ogrodje globokega učenja za reševanje direktnih in inverznih problemov, ki vključujejo nelinearne parcialne diferencialne enačbe. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J. in Schönlieb, K.-B. Ali lahko nevronske mreže, ki temeljijo na fiziki, prekašajo metode končnih elementov? IMA J. Applications. matematics. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M. in Gómez-Romero, J. Nevronske mreže, ki temeljijo na fiziki, za modeliranje, ki ga poganjajo podatki: prednosti, omejitve in priložnosti. physics. A 610, 128415 (2023).
Zhuang, P.-Y. in Barba, LA Empirično poročilo o fizikalno zasnovanih nevronskih mrežah pri modeliranju tekočin: pasti in razočaranja. Predtisk je na voljo na https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. in Barba, LA Napovedne omejitve fizikalno informiranih nevronskih mrež pri nastajanju vrtinc. Predtisk je na voljo na https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H. in Perdikaris, P. Kdaj in zakaj se pinni ne morejo učiti: perspektiva nevronskega tangentnega jedra. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R. in Mahoney, MW Značilnosti možnih načinov odpovedi v fizikalnih informacijskih nevronskih mrežah. 35. konferenca o sistemih za obdelavo nevronskih informacij, letnik 34, 26548–26560 (NeurIPS 2021).
Basir, S. in Senokak, I. Kritična študija načinov odpovedi v fizikalno zasnovanih nevronskih mrežah. V AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. in Koumoutsakos P. Reševanje fizikalnih inverznih problemov z optimizacijo diskretnih izgub: hitro in natančno učenje brez nevronskih mrež. proces. Nacionalna akademija znanosti. znanost. Nexus 3, pgae005 (2024).
Gundersen OE Osnovna načela ponovljivosti. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E in Pearson A. Sistematični pregledi: pregled. Yes. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS in Rohde, K. Nevronske mreže, ki se zavedajo omejitev, za Riemannov problem. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ in Adams NA Podatkovno vodeno vezje s končno prostornino, fizikalno informirano, za neklasične sunke z zmanjšano napetostjo. J. Computer. physics. 437, 110324 (2021).
Čas objave: 29. september 2024