Faleminderit që vizituat Nature.com. Versioni i shfletuesit që po përdorni ka mbështetje të kufizuar CSS. Për rezultate më të mira, ne ju rekomandojmë të përdorni një version më të ri të shfletuesit tuaj (ose të çaktivizoni Modalitetin e Përputhshmërisë në Internet Explorer). Ndërkohë, për të siguruar mbështetje të vazhdueshme, ne po e shfaqim faqen pa stilizim ose JavaScript.
Një nga zbatimet më premtuese të të mësuarit automatik në fizikën llogaritëse është zgjidhja e përshpejtuar e ekuacioneve diferenciale të pjesshme (PDE). Qëllimi kryesor i një zgjidhësi të ekuacioneve diferenciale të pjesshme të bazuar në të mësuarit automatik është të prodhojë zgjidhje që janë mjaftueshëm të sakta dhe më shpejt se metodat standarde numerike për të shërbyer si një krahasim bazë. Së pari, ne kryejmë një rishikim sistematik të literaturës së të mësuarit automatik mbi zgjidhjen e ekuacioneve diferenciale të pjesshme. Nga të gjitha punimet që raportojnë përdorimin e ML për të zgjidhur ekuacionet diferenciale të pjesshme fluide dhe pretendojnë superioritet mbi metodat standarde numerike, ne identifikuam 79% (60/76) krahasuar me linjat bazë të dobëta. Së dyti, gjetëm prova të paragjykimit të përhapur të raportimit, veçanërisht në raportimin e rezultateve dhe paragjykimin e publikimit. Ne konkludojmë se hulumtimi i të mësuarit automatik mbi zgjidhjen e ekuacioneve diferenciale të pjesshme është tepër optimist: të dhënat e dobëta të hyrjes mund të çojnë në rezultate tepër pozitive, dhe paragjykimi i raportimit mund të çojë në nën-raportimin e rezultateve negative. Në një pjesë të madhe, këto probleme duket se shkaktohen nga faktorë të ngjashëm me krizat e riprodhueshmërisë së kaluar: diskrecioni i hetuesit dhe paragjykimi pozitiv i rezultateve. Ne bëjmë thirrje për ndryshime kulturore nga poshtë lart për të minimizuar raportimin e paragjykuar dhe reformë strukturore nga lart poshtë për të zvogëluar stimujt pervers për ta bërë këtë.
Lista e autorëve dhe artikujve të gjeneruar nga rishikimi sistematik, si dhe klasifikimi i secilit artikull në mostrën e rastësishme, është e disponueshme publikisht në https://doi.org/10.17605/OSF.IO/GQ5B3 (ref. 124).
Kodi i nevojshëm për të riprodhuar rezultatet në Tabelën 2 mund të gjendet në GitHub: https://github.com/nickmcgreivy/WeakBaselinesMLPDE/ (ref. 125) dhe në Code Ocean: https://codeocean.com/capsule/9605539/Tree/ v1 (lidhja 126) dhe https://codeocean.com/capsule/0799002/tree/v1 (lidhja 127).
Randall, D., dhe Welser, K., Kriza e Papërsëritshmërisë në Shkencën Moderne: Shkaqet, Pasojat dhe Rrugët për Reformë (Shoqata Kombëtare e Shkencëtarëve, 2018).
Ritchie, S. Fanta-shkencë: Si e dëmtojnë mashtrimin, paragjykimin, heshtja dhe ekzagjerimin kërkimin për të vërtetën (Vintage, 2020).
Bashkëpunim i hapur shkencor. Vlerësimi i riprodhueshmërisë në shkencën psikologjike. Science 349, AAAC4716 (2015).
Prinz, F., Schlange, T., dhe Asadullah, K. Besojeni ose jo: Sa mund të mbështetemi në të dhënat e publikuara mbi objektivat e mundshëm të drogës? Nat. Rev. “Zbulimi i Drogës.” 10, 712 (2011).
Begley, KG dhe Ellis, LM Ngritja e standardeve në kërkimin paraklinik të kancerit. Nature 483, 531–533 (2012).
A. Gelman dhe E. Loken, Kopshti i Shtigjeve të Degëzuara: Pse Krahasimet e Shumëfishta janë Problem Edhe Pa “Ekspedita Peshkimi” ose “p-hacks” dhe Hipoteza të Kërkimit të Parapërgatitur, vëll. 348, 1–17 (Departamenti i Statistikës, 2013).
Karagiorgi, G., Kasecka, G., Kravitz, S., Nachman, B., dhe Shi, D. Mësimi automatik në kërkim të fizikës së re themelore. Nat. Doktor i Filozofisë në Fizikë. 4, 399–412 (2022).
Dara S, Damercherla S, Jadhav SS, Babu CM dhe Ahsan MJ. Mësimi automatik në zbulimin e barnave: një përmbledhje. Atif. Intel. Ed. 55, 1947–1999 (2022).
Mather, AS dhe Coote, ML Mësim i thellë në kimi. J.Chemistry. notify. Model. 59, 2545–2559 (2019).
Rajkomar A., Dean J. dhe Kohan I. Mësimi automatik në mjekësi. New England Journal of Medicine. 380, 1347–1358 (2019).
Grimmer J, Roberts ME. dhe Stewart BM Mësimi automatik në shkencat shoqërore: një qasje agnostike. Rev. Ann Ball. shkencë. 24, 395–419 (2021).
Jump, J. et al. Bëni parashikime shumë të sakta të strukturës së proteinave duke përdorur alphafold. Nature 596, 583–589 (2021).
Gundersen, OE, Coakley, K., Kirkpatrick, K., dhe Gil, Y. Burimet e papërsëritshmërisë në të nxënit automatik: Një përmbledhje. Parabotim i disponueshëm në https://arxiv.org/abs/2204.07610 (2022).
Scully, D., Snook, J., Wiltschko, A., dhe Rahimi, A. Mallkimi i fituesit? Mbi shpejtësinë, progresin dhe rigorozitetin e provave empirike (ICLR, 2018).
Armstrong, TG, Moffat, A., Webber, W., dhe Zobel, J. Përmirësime jo-aditive: rezultatet paraprake të kërkimit që nga viti 1998. Konferenca e 18-të e ACM-së mbi Menaxhimin e Informacionit dhe Njohurive 601–610 (ACM 2009).
Kapoor, S. dhe Narayanan, A. Krizat e rrjedhjeve dhe riprodhueshmërisë në shkencën e bazuar në të mësuarit automatik. Patterns, 4, 100804 (2023).
Kapoor S. et al. Reforma: standardet e raportimit shkencor bazuar në të mësuarit automatik. Parabotim i disponueshëm në https://arxiv.org/abs/2308.07832 (2023).
DeMasi, O., Cording, C., dhe Recht, B. Krahasimet pa kuptim mund të çojnë në optimizëm të rremë në të nxënit e makinerive mjekësore. PloS ONE 12, e0184604 (2017).
Roberts, M., et al. Grackat e zakonshme dhe praktikat më të mira për përdorimin e të mësuarit automatik për të zbuluar dhe parashikuar COVID-19 nga rrezet X të kraharorit dhe tomografia e kompjuterizuar. Nat. Max. Intel. 3, 199–217 (2021).
Winantz L. et al. Modele parashikuese për diagnozën dhe prognozën e COVID-19: një rishikim sistematik dhe vlerësim kritik. BMJ 369, m1328 (2020).
Whalen S., Schreiber J., Noble WS dhe Pollard KS Kapërcimi i grackave të përdorimit të të mësuarit automatik në gjenomikë. Nat. Pastor Ginette. 23, 169–181 (2022).
Atris N. et al. Praktikat më të mira për të mësuarit automatik në kimi. Nat. Chemical. 13, 505–508 (2021).
Brunton SL dhe Kutz JN Udhëzime premtuese për të mësuarit automatik të ekuacioneve diferenciale pjesore. Nat. calculate. science. 4, 483–494 (2024).
Vinuesa, R. dhe Brunton, SL Përmirësimi i dinamikës llogaritëse të lëngjeve përmes të mësuarit automatik. Nat. calculate. science. 2, 358–366 (2022).
Comeau, S. et al. Mësimi shkencor i makinës me rrjete nervore të informuara fizikisht: Ku jemi tani dhe çfarë na pret më pas. J. Science. calculate. 92, 88 (2022).
Duraisamy, K., Yaccarino, G., dhe Xiao, H. Modelimi i turbulencës në epokën e të dhënave. Botim i rishikuar i Ann. 51, 357–377 (2019).
Durran, DR Metoda numerike për zgjidhjen e ekuacioneve të valëve në hidrodinamikën gjeofizike, vëll. 32 (Springer, 2013).
Mishra, S. Një kornizë e të mësuarit automatik për përshpejtimin e llogaritjes së bazuar në të dhëna të ekuacioneve diferenciale. matematikë. inxhinier. https://doi.org/10.3934/Mine.2018.1.118 (2018).
Kochikov D. et al. Mësimi automatik - përshpejtimi i dinamikës llogaritëse të lëngjeve. proces. Akademia Kombëtare e Shkencave. shkencë. US 118, e2101784118 (2021).
Kadapa, K. Mësimi automatik për shkencën dhe inxhinierinë kompjuterike – një hyrje e shkurtër dhe disa çështje kryesore. Parabotim i disponueshëm në https://arxiv.org/abs/2112.12054 (2021).
Ross, A., Li, Z., Perezhogin, P., Fernandez-Granda, C., dhe Zanna, L. Analizë krahasuese e parametrizimit të nënrrjetit oqeanik të të mësuarit automatik në modele të idealizuara. J.Adv. Model. sistemi i tokës. 15. e2022MS003258 (2023).
Lippe, P., Wieling, B., Perdikaris, P., Turner, R., dhe Brandstetter, J. Përmirësimi i PDE-ve: arritja e ekstruzioneve të gjata të sakta me një zgjidhës neuronal të PDE-ve. Konferenca e 37-të mbi Sistemet Neuronale të Përpunimit të Informacionit (NeurIPS 2023).
Frachas, PR et al. Algoritmi i përhapjes prapa dhe llogaritja e rezervuarit në rrjetet nervore përsëritëse për parashikimin e dinamikave komplekse hapësinore-kohore. rrjeti nervor. 126, 191–217 (2020).
Raissi, M., Perdikaris, P. dhe Karniadakis, GE Fizikë, shkenca kompjuterike, rrjete nervore: një kornizë e të mësuarit të thellë për zgjidhjen e problemeve të drejtpërdrejta dhe të anasjellta që përfshijnë ekuacione diferenciale pjesore jolineare. J. Computer. physics. 378, 686–707 (2019).
Grossmann, TG, Komorowska, UJ, Lutz, J., dhe Schönlieb, K.-B. A mund të kenë rrjetet nervore të bazuara në fizikë performancë më të mirë se metodat e elementeve të fundme? IMA J. Applications. mathematics. 89, 143–174 (2024).
de la Mata, FF, Gijon, A., Molina-Solana, M., dhe Gómez-Romero, J. Rrjetet nervore të bazuara në fizikë për modelimin e bazuar në të dhëna: avantazhet, kufizimet dhe mundësitë. fizikë. A 610, 128415 (2023).
Zhuang, P.-Y. & Barba, LA Një raport empirik mbi rrjetet nervore të bazuara në fizikë në modelimin e fluideve: gracka dhe zhgënjime. Parabotim i disponueshëm në https://arxiv.org/abs/2205.14249 (2022).
Zhuang, P.-Y. dhe Barba, LA Kufizime parashikuese të rrjeteve nervore të informuara fizikisht në formimin e vorbullave. Parabotim i disponueshëm në https://arxiv.org/abs/2306.00230 (2023).
Wang, S., Yu, H., dhe Perdikaris, P. Kur dhe pse pinnet dështojnë të stërviten: Një perspektivë e bërthamës tangjente nervore. J. Computer. physics. 449, 110768 (2022).
Krishnapriyan, A., Gholami, A., Zhe, S., Kirby, R., dhe Mahoney, MW Karakteristikat e mënyrave të mundshme të dështimit në rrjetet nervore të informacionit fizik. Konferenca e 35-të mbi Sistemet e Përpunimit të Informacionit Neural Vol. 34, 26548–26560 (NeurIPS 2021).
Basir, S. dhe Senokak, I. Një studim kritik i mënyrave të dështimit në rrjetet nervore të bazuara në fizikë. Në AiAA SCITECH 2022 Forum 2353 (ARK, 2022).
Karnakov P., Litvinov S. dhe Koumoutsakos P. Zgjidhja e problemeve fizike inverse duke optimizuar humbjet diskrete: mësim i shpejtë dhe i saktë pa rrjete nervore. proces. Akademia Kombëtare e Shkencave. shkencë. Nexus 3, f. 005 (2024).
Gundersen OE Parimet themelore të riprodhueshmërisë. Phil.cross. R. Shuker. A 379, 20200210 (2021).
Aromataris E dhe Pearson A. Rishikime sistematike: një përmbledhje. Po. J. Nursing 114, 53–58 (2014).
Magiera, J., Ray, D., Hesthaven, JS, dhe Rohde, K. Rrjete nervore të vetëdijshme për kufizimet për problemin Riemann. J. Computer. physics. 409, 109345 (2020).
Bezgin DA, Schmidt SJ dhe Adams NA Qarku i vëllimit të fundëm i informuar fizikisht i bazuar në të dhëna për goditje jo-klasike me tension të reduktuar. J. Computer. physics. 437, 110324 (2021).
Koha e postimit: 29 shtator 2024